Эквивалент предиката_процесса для DecisionTreeRegressor

Question

scikit-learn's DecisionTreeClassifier поддерживает прогнозирование вероятностей каждого класса с помощью функции predict_proba().Этого нет в DecisionTreeRegressor:

AttributeError: у объекта DecisionTreeRegressor нет атрибутадревовидные классификаторы и регрессоры, с основным отличием в том, что прогнозы из регрессоров рассчитываются как средство потенциальных листьев.Поэтому я ожидаю, что можно будет извлечь вероятности каждого значения.

Есть ли другой способ симулировать это, например, обработав древовидную структуру ? код для DecisionTreeClassifier predict_proba не может быть напрямую передан.

Answer 1

Эта функция адаптирует код из ответа Адского Пандера для предоставления вероятностей каждого исхода:

from sklearn.tree import DecisionTreeRegressor
import pandas as pd

def decision_tree_regressor_predict_proba(X_train, y_train, X_test, **kwargs):
    """Trains DecisionTreeRegressor model and predicts probabilities of each y.

    Args:
        X_train: Training features.
        y_train: Training labels.
        X_test: New data to predict on.
        **kwargs: Other arguments passed to DecisionTreeRegressor.

    Returns:
        DataFrame with columns for record_id (row of X_test), y 
        (predicted value), and prob (of that y value).
        The sum of prob equals 1 for each record_id.
    """
    # Train model.
    m = DecisionTreeRegressor(**kwargs).fit(X_train, y_train)
    # Get y values corresponding to each node.
    node_ys = pd.DataFrame({'node_id': m.apply(X_train), 'y': y_train})
    # Calculate probability as 1 / number of y values per node.
    node_ys['prob'] = 1 / node_ys.groupby(node_ys.node_id).transform('count')
    # Aggregate per node-y, in case of multiple training records with the same y.
    node_ys_dedup = node_ys.groupby(['node_id', 'y']).prob.sum().to_frame()\
        .reset_index()
    # Extract predicted leaf node for each new observation.
    leaf = pd.DataFrame(m.decision_path(X_test).toarray()).apply(
        lambda x:x.nonzero()[0].max(), axis=1).to_frame(name='node_id')
    leaf['record_id'] = leaf.index
    # Merge with y values and drop node_id.
    return leaf.merge(node_ys_dedup, on='node_id').drop(
        'node_id', axis=1).sort_values(['record_id', 'y'])

Пример:

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
X, y = load_boston(True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
# Works better with min_samples_leaf > 1.
res = decision_tree_regressor_predict_proba(X_train, y_train, X_test,
                                            random_state=0, min_samples_leaf=5)
res[res.record_id == 2]
#      record_id       y        prob
#   25         2    20.6    0.166667
#   26         2    22.3    0.166667
#   27         2    22.7    0.166667
#   28         2    23.8    0.333333
#   29         2    25.0    0.166667

Answer 2

Вы можете получить эти данные из древовидной структуры:

import sklearn
import numpy as np
import graphviz
from sklearn.tree import DecisionTreeRegressor, DecisionTreeClassifier
from sklearn.datasets import make_regression

# Generate a simple dataset
X, y = make_regression(n_features=2, n_informative=2, random_state=0)
clf = DecisionTreeRegressor(random_state=0, max_depth=2)
clf.fit(X, y)
# Visualize the tree
graphviz.Source(sklearn.tree.export_graphviz(clf)).view()

>>> clf.predict(X[:5])

0     184.005667
1      53.017289
2     184.005667
3     -20.603498
4     -97.414461

Если вы позвоните clf.apply(X), вы получитеИдентификатор узла, к которому относится экземпляр:

array([6, 5, 6, 3, 2, 5, 5, 3, 6, ... 5, 5, 6, 3, 2, 2, 5, 2, 2], dtype=int64)

Объединение его с целевой переменной:

df = pd.DataFrame(np.vstack([y, clf.apply(X)]), index=['y','node_id']).T
    y           node_id
0   190.370562  6.0
1   13.339570   5.0
2   141.772669  6.0
3   -3.069627   3.0
4   -26.062465  2.0
5   54.922541   5.0
6   25.952881   5.0
       ...

Теперь, если вы выполните групповую операцию на node_id, за которой следует, что вы получитете же значения, что и clf.predict(X)

>>> df.groupby('node_id').mean()
                 y
node_id     
2.0     -97.414461
3.0     -20.603498
5.0     53.017289
6.0     184.005667

Какие value s листьев в нашем дереве:

>>> clf.tree_.value[6]
array([[184.00566679]])

Чтобы получить идентификаторы узла для нового набора данных, вам нужно вызвать

clf.decision_path(X[:5]).toarray()

, который показывает вам массив, подобный этому

array([[1, 0, 0, 0, 1, 0, 1],
       [1, 0, 0, 0, 1, 1, 0],
       [1, 0, 0, 0, 1, 0, 1],
       [1, 1, 0, 1, 0, 0, 0],
       [1, 1, 1, 0, 0, 0, 0]], dtype=int64)

, где вам нужно получить последний ненулевой элемент (т.е. лист)

>>> pd.DataFrame(clf.decision_path(X[:5]).toarray()).apply(lambda x:x.nonzero()[0].max(), axis=1)
0    6
1    5
2    6
3    3
4    2
dtype: int64

Так что если бы вместо предсказания среднего значения вы хотели предсказать медиану, вы бы сделали

>>> pd.DataFrame(clf.decision_path(X[:5]).toarray()).apply(lambda x: x.nonzero()[0].max(
    ), axis=1).to_frame(name='node_id').join(df.groupby('node_id').median(), on='node_id')['y']
0    181.381106
1     54.053170
2    181.381106
3    -28.591188
4    -93.891889