Python scikit learn cross_val_predict准确度分数是如何计算的？

如下面代码所示，

cross\u val\u使用k-fold方法预测（见v0.18）是否计算每个折叠的精度并最终平均

cv = KFold(len(labels), n_folds=20)
clf = SVC()
ypred = cross_val_predict(clf, td, labels, cv=cv)
accuracy = accuracy_score(labels, ypred)
print accuracy

从上的
cross\u val\u predict
代码中可以看到，该函数为每个折叠计算预测并将其连接起来。这些预测是根据从其他褶皱中学习到的模型做出的

下面是您的代码和代码中提供的示例的组合

from sklearn import datasets, linear_model
from sklearn.model_selection import cross_val_predict, KFold
from sklearn.metrics import accuracy_score

diabetes = datasets.load_diabetes()
X = diabetes.data[:400]
y = diabetes.target[:400]
cv = KFold(n_splits=20)
lasso = linear_model.Lasso()
y_pred = cross_val_predict(lasso, X, y, cv=cv)
accuracy = accuracy_score(y_pred.astype(int), y.astype(int))

print(accuracy)
# >>> 0.0075

最后，回答您的问题：“不，精度不是每个折叠的平均值”
不，它不是

根据page，
cross_val_predict
不返回任何分数，只返回基于特定策略的标签，如下所述：

函数cross_val_predict与
cross_val_score，但是对于输入中的每个元素，返回
当该元素在试验中时获得的预测
设置。只有将所有元素分配给
测试集只能使用一次（否则会引发异常）

因此，通过调用
accurity\u score（labels，ypred）
您只需计算上述特定策略预测的标签与真实标签的准确度得分。这同样在同一文档页面中指定：

这些预测随后可用于评估分类器：

predicted = cross_val_predict(clf, iris.data, iris.target, cv=10) 
metrics.accuracy_score(iris.target, predicted)

请注意，此计算的结果可能略有不同
根据使用cross_val_分数获得的数据，对元素进行分组
以不同的方式。

如果您需要不同折叠的准确度分数，您应该尝试：

>>> scores = cross_val_score(clf, X, y, cv=cv)
>>> scores                                              
array([ 0.96...,  1.  ...,  0.96...,  0.96...,  1.        ])

然后，对于所有折叠的平均精度，使用
分数。mean（）
：


如何计算每个褶皱的Cohen-kappa系数和混淆矩阵？
对于计算
Cohen Kappa系数和混淆矩阵，我假设您指的是真实标签和每个褶皱预测标签之间的Kappa系数和混淆矩阵：

from sklearn.model_selection import KFold
from sklearn.svm.classes import SVC
from sklearn.metrics.classification import cohen_kappa_score
from sklearn.metrics import confusion_matrix

cv = KFold(len(labels), n_folds=20)
clf = SVC()
for train_index, test_index in cv.split(X):
    clf.fit(X[train_index], labels[train_index])
    ypred = clf.predict(X[test_index])
    kappa_score = cohen_kappa_score(labels[test_index], ypred)
    confusion_matrix = confusion_matrix(labels[test_index], ypred)


cross\u val\u预测返回什么？
它使用KFold将数据拆分为
k
部分，然后对于
i=1..k
迭代：


将
i'th
部分作为测试数据，所有其他部分作为训练数据
使用训练数据训练模型（除i'th
之外的所有部分）
然后，通过使用该训练模型，预测
i'th
零件的标签（测试数据）

在每次迭代中，预测数据的第i部分的标签。最后，cross_val_predict合并所有部分预测的标签，并将其作为最终结果返回

此代码逐步显示此过程：

X = np.array([[0], [1], [2], [3], [4], [5]])
labels = np.array(['a', 'a', 'a', 'b', 'b', 'b'])

cv = KFold(len(labels), n_folds=3)
clf = SVC()
ypred_all = np.chararray((labels.shape))
i = 1
for train_index, test_index in cv.split(X):
    print("iteration", i, ":")
    print("train indices:", train_index)
    print("train data:", X[train_index])
    print("test indices:", test_index)
    print("test data:", X[test_index])
    clf.fit(X[train_index], labels[train_index])
    ypred = clf.predict(X[test_index])
    print("predicted labels for data of indices", test_index, "are:", ypred)
    ypred_all[test_index] = ypred
    print("merged predicted labels:", ypred_all)
    i = i+1
    print("=====================================")
y_cross_val_predict = cross_val_predict(clf, X, labels, cv=cv)
print("predicted labels by cross_val_predict:", y_cross_val_predict)

结果是：

iteration 1 :
train indices: [2 3 4 5]
train data: [[2] [3] [4] [5]]
test indices: [0 1]
test data: [[0] [1]]
predicted labels for data of indices [0 1] are: ['b' 'b']
merged predicted labels: ['b' 'b' '' '' '' '']
=====================================
iteration 2 :
train indices: [0 1 4 5]
train data: [[0] [1] [4] [5]]
test indices: [2 3]
test data: [[2] [3]]
predicted labels for data of indices [2 3] are: ['a' 'b']
merged predicted labels: ['b' 'b' 'a' 'b' '' '']
=====================================
iteration 3 :
train indices: [0 1 2 3]
train data: [[0] [1] [2] [3]]
test indices: [4 5]
test data: [[4] [5]]
predicted labels for data of indices [4 5] are: ['a' 'a']
merged predicted labels: ['b' 'b' 'a' 'b' 'a' 'a']
=====================================
predicted labels by cross_val_predict: ['b' 'b' 'a' 'b' 'a' 'a']

我想添加一个选项，在前面的开发人员的贡献之上，提供一个快速简单的答案

如果你取F1的微平均值，你基本上就能得到准确率。例如：

from sklearn.model_selection import cross_val_score, cross_val_predict
from sklearn.metrics import precision_recall_fscore_support as score    

y_pred = cross_val_predict(lm,df,y,cv=5)
precision, recall, fscore, support = score(y, y_pred, average='micro') 
print(fscore)

这在数学上是有效的，因为微观平均值给出了混淆矩阵的加权平均值

祝你好运
 如文件中所述：

将这些预测传递到评估中是不合适的
米制的使用
测量泛化误差

函数为每个折叠计算预测并将其串联。
你所说的
串联是什么意思？检索的准确度意味着什么？好像把一切都搞砸了。如何通过对每一次折叠进行平均来计算精度？我认为Omid已经非常全面地解释了这一点；）嗨，谢谢。我知道了如何计算每个折叠的交叉值和平均值。同样，您能告诉我如何计算每个折叠的
Cohen-kappa系数
和
混淆矩阵
，然后求平均值吗？您好。有关科恩-卡帕系数和混淆矩阵，请参见我的更新。你说的
然后平均值是什么意思？嗨，再次感谢你，我得到了你的编辑并理解了这件事。我有最后一个困惑。。。在我的问题中，
ypred=cross\u val\u predict（clf，td，labels，cv=cv）
你能解释一下
ypred
是如何用外行的语言计算出来的吗？kford将数据拆分成k个部分，然后对于i=1..k次迭代，它是这样做的：将除i'th部分以外的所有部分作为训练数据，用它们拟合模型，然后预测第i部分的标签（测试数据）。在每次迭代中，都会预测第i部分数据的标签。最后，
cross\u val\u predict
合并所有部分预测的标签并将其作为一个整体返回。仍然很难理解。你能用你在使用编辑之前解释的类似方式来显示它吗？为什么是这样？使用交叉价值预测和交叉验证之间的区别是什么？使后者仅适用于评估？
from sklearn.model_selection import cross_val_score, cross_val_predict
from sklearn.metrics import precision_recall_fscore_support as score    

y_pred = cross_val_predict(lm,df,y,cv=5)
precision, recall, fscore, support = score(y, y_pred, average='micro') 
print(fscore)