Будучи новичком в scikit-learn и пытаясь классифицировать набор данных радужной оболочки, у меня возникают проблемы с настройкой метрики оценки с scoring='accuracy' до , такие как точность, напомним, f1 и т. Д. На этапе перекрестной проверки.Ниже приведен полный пример кода ( достаточно, чтобы начать с # Test options and evaluation metric).
# Load libraries
import pandas
from pandas.plotting import scatter_matrix
import matplotlib.pyplot as plt
from sklearn import model_selection # for command model_selection.cross_val_score
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
# Load dataset
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = pandas.read_csv(url, names=names)
# Split-out validation dataset
array = dataset.values
X = array[:,0:4]
Y = array[:,4]
validation_size = 0.20
seed = 7
X_train, X_validation, Y_train, Y_validation = model_selection.train_test_split(X, Y, test_size=validation_size, random_state=seed)
# Test options and evaluation metric
seed = 7
scoring = 'accuracy'
#Below, we build and evaluate 6 different models
# Spot Check Algorithms
models = []
models.append(('LR', LogisticRegression()))
models.append(('LDA', LinearDiscriminantAnalysis()))
models.append(('KNN', KNeighborsClassifier()))
models.append(('CART', DecisionTreeClassifier()))
models.append(('NB', GaussianNB()))
models.append(('SVM', SVC()))
# evaluate each model in turn, we calculate the cv-scores, ther mean and std for each model
#
results = []
names = []
for name, model in models:
#below, we do k-fold cross-validation
kfold = model_selection.KFold(n_splits=10, random_state=seed)
cv_results = model_selection.cross_val_score(model, X_train, Y_train, cv=kfold, scoring=scoring)
results.append(cv_results)
names.append(name)
msg = "%s: %f (%f)" % (name, cv_results.mean(), cv_results.std())
print(msg)
Теперь, кроме скоринга = 'точности', я быхотел бы оценить другие показатели производительности для этой проблемы классификации мультикласса.Но когда я использую scoring = 'precision', он поднимает:
ValueError: Target is multiclass but average='binary'. Please choose another average setting.
Мои вопросы:
1) Я полагаю, вышеизложенное происходит потому, что точность'и' отзыв 'определены в scikit-learn только для бинарной классификации - это правильно?Если да, то какая команда (-ы) должна заменить scoring='accuracy' в приведенном выше коде?
2) Если я хочу вычислить матрицу путаницы, точность и вызов для каждого сгиба при выполнении пересечения k-сгибапроверка, какие команды я должен набрать?
3) Ради эксперимента я попытался набрать балл = 'balance_accuracy', только чтобы найти:
ValueError: 'balanced_accuracy' is not a valid scoring value.
Почему это происходит, когда документация по оценке модели (https://scikit -learn.org / stable / modules / model_evaluation.html ) ясно говорит, что сбалансированная точность является методом оценки ?Я здесь совсем запутался, поэтому будет полезен реальный код, показывающий, как оценивать другие характеристики производительности!Заранее спасибо!