не могу импортировать имя

Question

У меня несбалансированные данные, и я хочу использовать «balance_accuracy_score» для оценки моей модели. Однако, это не сработало для меня, хотя я обновил scikit learn до 0.20 уже.

 ---------------------------------------------------------------------------
ImportError                               Traceback (most recent call last)
<ipython-input-63-266614be2a70> in <module>()
----> 1 from sklearn.metrics import balanced_accuracy_score
      2 

ImportError: cannot import name 'balanced_accuracy_score'

Кто-нибудь сталкивался с этой проблемой раньше и знает, как ее решить? или есть ли альтернативные способы, которые я могу использовать для оценки моего несбалансированного набора данных для задачи двоичной классификации.

Спасибо!

Answer 1

Запуск from sklearn.metrics import balanced_accuracy_score работает на моей машине с scikit-learn 0.20.3. Если вы можете импортировать остаток sklearn, то это странное поведение.

Однако, если вы не можете импортировать что-либо еще из sklearn, откройте вашу оболочку и убедитесь, что команда pip list возвращает список пакетов, который содержит правильную версию sklearn. Это может быть проблемой с управлением вашей средой. Это означает, что, несмотря на то, что вы установили sklearn 0.20, среда вашей IDE не подхватывает его.

Если pip list содержит нужный пакет, попробуйте запустить python в вашей оболочке и импортировать пакет туда. Если это работает, это может означать, что ваша IDE не подхватывает правильную установку python / не подхватывает ваш venv.

В отношении последнего пункта в вопросе в документации sklearn для сбалансированного показателя точности указано, что их определение этой функции эквивалентно использованию precision_score с весами выборки, сбалансированными по классам.

Некоторая литература предлагает альтернативные определения сбалансированной точности. Наше определение эквивалентно precision_score с весами выборки, сбалансированными по классам, и разделяет желаемые свойства с двоичным регистром.

Возможно, вы также захотите взглянуть на другие метрики, такие как: roc, f-scores и просто построить матрицу путаницы с весами выборки.