随机森林分类器的变化阈值

Question

我需要开发一个模型，它将是免费的(或接近免费的)假负值。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，如何定义模型培训的阈值？以后在评估时定义它没有意义，因为它不会考虑新的数据。

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

如何定义模型训练的阈值？

在模型训练过程中存在简单的无阈值，随机森林是一种概率分类器，它只输出类概率。“硬”类(即0/1)确实需要一个阈值，但在模型培训的任何阶段-仅在预测期间-既不产生也不使用-即使是在预测期间，即使是在预测的情况下，我们也确实需要严格的分类(并非总是如此)。有关更多细节，请参见预测类或类概率？。

实际上，scikit--学习RF的实现实际上根本不使用阈值，甚至对于硬类预测也是如此；仔细阅读文档的predict方法：

预测类是树的平均概率估计值最高的类。

简单地说，这意味着实际的RF输出是[p0, p1] (假设二进制分类)，predict方法只是从其中返回值最高的类，如果p0 > p1为0，则为1。

假设您实际上想要返回1，如果p1从小于0.5的阈值中返回1，则必须放弃predict，而使用predict_proba，然后操作这些返回的概率以获得所需的结果。下面是一个使用虚拟数据的示例：

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，就会给出0：

clf.predict(X)[0] 
# 0

因为

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

即p0 > p1.

要获得您想要的(即在这里返回类1，因为p1 > threshold的阈值为0.11)，下面是您必须做的事情：

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))]

在此之后，我们很容易看到，对于第一个预测样本，我们有：

preds[0]
# 1

因为，如上面所示，对于这个示例，我们有p1 = 0.14733119 > threshold。