更改随机森林分类器的阈值

Question

我需要开发一个没有（或接近没有）假阴性值的模型。为此，我绘制了召回精度曲线并确定阈值应设置为 0.11

我的问题是，如何定义模型训练时的阈值？稍后在评估时定义它是没有意义的，因为它不会反映在新数据上。

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=101)

rfc_model = RandomForestClassifier(random_state=101)
rfc_model.fit(X_train, y_train)
rfc_preds = rfc_model.predict(X_test)


recall_precision_vals = []

for val in np.linspace(0, 1, 101):
    predicted_proba = rfc_model.predict_proba(X_test)
    predicted = (predicted_proba[:, 1] >= val).astype('int')
    
    recall_sc = recall_score(y_test, predicted)
    precis_sc = precision_score(y_test, predicted)

    recall_precision_vals.append({
        'Threshold': val,
        'Recall val': recall_sc,
        'Precis val': precis_sc
    })


recall_prec_df = pd.DataFrame(recall_precision_vals)

有什么想法吗？

Answer 1

how to define threshold value upon model training?

在模型训练过程中只是没有阈值；随机森林是一个概率 class 生成器，它只输出 class 概率。 "Hard" classes（即 0/1）确实需要一个阈值，在模型训练的任何阶段都不会产生或使用 - 仅在预测期间，甚至仅在我们确实需要的情况下需要硬 classification（并非总是如此）。请参阅了解更多详情。

实际上，RF 的 scikit-learn 实现实际上根本不使用阈值，即使是硬 class 预测也是如此；仔细阅读 predict 方法的 docs：

the predicted class is the one with highest mean probability estimate across the trees

简而言之，这意味着实际的 RF 输出是 [p0, p1]（假设二进制 class化），predict 方法只是 returns class 具有最高值，即如果 p0 > p1 则为 0，否则为 1。

假设你真正想要做的是 return 1 如果 p1 大于小于 0.5 的某个阈值，你必须放弃 predict，使用 predict_proba 相反，然后操纵这些 returned 概率来得到你想要的。这是一个带有虚拟数据的示例：

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=4,
                          n_informative=2, n_redundant=0,
                           n_classes=2, random_state=0, shuffle=False)

clf = RandomForestClassifier(n_estimators=100, max_depth=2,
                            random_state=0)

clf.fit(X, y)

在这里，简单地使用 predict 作为 X 的第一个元素，将得到 0:

clf.predict(X)[0] 
# 0

因为

clf.predict_proba(X)[0]
# array([0.85266881, 0.14733119])

即p0 > p1.

要得到你想要的东西（即这里 returning class 1，因为 p1 > threshold 的阈值是 0.11），这是你必须做的：

prob_preds = clf.predict_proba(X)
threshold = 0.11 # define threshold here
preds = [1 if prob_preds[i][1]> threshold else 0 for i in range(len(prob_preds))]

之后，很容易看出现在对于第一个预测样本我们有：

preds[0]
# 1

因为，如上所示，对于此示例，我们有 p1 = 0.14733119 > threshold。

更改随机森林分类器的阈值

Change threshold value for Random Forest classifier

python

machine-learning

random-forest

scikit-learn