Python 对于相同的Keras型号,精确度低于AUC;数据
我有一种奇怪的Keras分类行为 当使用交叉验证和保留集时,我得到了不同的准确性 2个相同的模型,但评估方法不同:Python 对于相同的Keras型号,精确度低于AUC;数据,python,machine-learning,scikit-learn,keras,classification,Python,Machine Learning,Scikit Learn,Keras,Classification,我有一种奇怪的Keras分类行为 当使用交叉验证和保留集时,我得到了不同的准确性 2个相同的模型,但评估方法不同: 模型1使用10 Kfold交叉验证(平均AUC为0.98,最低AUC为0.89) 型号2使用保持装置(精度0.82) 我原以为模型2最差的精度是最低的折叠精度(0.89而不是0.82) 小尺寸~10k x 13的数据 Kfold:10倍 模式1: def create_baseline(): # create model model = models.Seque
- 模型1使用10 Kfold交叉验证(平均AUC为0.98,最低AUC为0.89)
- 型号2使用保持装置(精度0.82)
def create_baseline():
# create model
model = models.Sequential()
model.add(layers.Dense(64, input_dim=set_1.iloc[:,0:-1].shape[1], activation='relu'))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
这是我代码的重要部分(其余部分与绘制ROC相关):
注意:我尝试过标准化和非标准化
estimators = []
estimators.append(('standardize', MinMaxScaler()))
estimators.append(('mlp', KerasClassifier(build_fn=create_baseline, nb_epoch=1000, batch_size=1000, verbose=0)))
pipeline = Pipeline(estimators)
cv = StratifiedKFold(n_splits=10)
classifier = pipeline
mean_tpr = 0.0
mean_fpr = np.linspace(0, 1, 100)
colors = cycle(['cyan', 'indigo', 'seagreen', 'yellow', 'blue', 'darkorange'])
lw = 2
i = 0
for (train, test), color in zip(cv.split(X, y), colors):
classifier.fit(X[train], y[train])
probas_ = classifier.predict_proba(X[test])
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1])
mean_tpr += interp(mean_fpr, fpr, tpr)
mean_tpr[0] = 0.0
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, lw=lw, color=color,
label='ROC fold %d (area = %0.2f)' % (i, roc_auc))
i += 1
输出:
正如你所看到的,我的平均ROC为.98
问题:
模式2:
std = MinMaxScaler()
X_norm = std.fit_transform(X)
X_train_norm, X_test_norm, y_train_norm, y_test_norm = train_test_split(X_norm, y, test_size=0.1, random_state=5)
凯拉斯模型
model_2 = models.Sequential()
model_2.add(layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)))
model_2.add(layers.Dense(64, activation='relu'))
model_2.add(layers.Dense(1, activation='sigmoid'))
model_2.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
运行模型:
history = model_2.fit(X_train_norm,
y_train_norm,
epochs=1000,
batch_size=1000,
validation_data=(X_test_norm, y_test_norm))
结果(最后一次迭代):
为什么model2的性能低于model1
注:
-相同的数据、keras模型类型和种子,但结果不同!
-我做了多次测试,有无标准化,有相同和不同的种子,我仍然有相同的问题。
-我知道我可以使用更简单的模型,但我的问题与使用Keras分类器有关
如果我做错了,请纠正我。你似乎有点困惑 为什么model2的性能低于model1 事实并非如此;准确地说,你的结果中没有任何东西表明它是低的还是高的 2个相同的模型,但评估方法不同 您不仅使用不同的评估方法(CV vs validation set),还使用不同的指标:比较ROC曲线下的面积,即AUC(模型1)与准确度(模型2)完全类似于将苹果与橙子进行比较 这些指标不仅不同,而且根本不同,用于完全不同的目的:
- 准确度隐含地涉及应用于计算概率的阈值;粗略地说,对于二进制分类,当样本的计算概率高于此阈值时,样本被分类为
,否则它被分类为1
。应用此阈值后计算精度,结果为0
或0
(我的同事详细解释了程序)。通常(在这里的例子中),该阈值隐式设置为0.51
- ROC曲线(和AUC)不涉及最终的“硬”分类(
),而是前一阶段,即模型给出的计算概率,它们实际上给出了在所有可能阈值上平均的二元分类器的聚合性能。因此,ROC和AUC对最终部署的模型几乎没有什么可说的,该模型始终包括上述决策阈值,ROC曲线本身对所选阈值没有任何说明(参见更详细的说明)0/1
你不能说我没有试过…你似乎有点困惑 为什么model2的性能低于model1 事实并非如此;准确地说,你的结果中没有任何东西表明它是低的还是高的 2个相同的模型,但评估方法不同 您不仅使用不同的评估方法(CV vs validation set),还使用不同的指标:比较ROC曲线下的面积,即AUC(模型1)与准确度(模型2)完全类似于将苹果与橙子进行比较 这些指标不仅不同,而且根本不同,用于完全不同的目的:
- 准确度隐含地涉及应用于计算概率的阈值;粗略地说,对于二进制分类,当样本的计算概率高于此阈值时,样本被分类为
,否则它被分类为1
。应用此阈值后计算精度,结果为0
或0
(我的同事详细解释了程序)。通常(在这里的例子中),该阈值隐式设置为0.51
- ROC曲线(和AUC)不涉及最终的“硬”分类(
),而是前一阶段,即模型给出的计算概率,它们实际上给出了在所有可能阈值上平均的二元分类器的聚合性能。因此,ROC和AUC对最终部署的模型几乎没有什么可说的,该模型始终包括上述决策阈值,ROC曲线本身对所选阈值没有任何说明(参见更详细的说明)0/1
你不能说我没有尝试…好吧,我的回答可能听起来很愚蠢,但这不是K-fold验证的目的吗
8988/8988 [==============================] - 0s - loss: 0.3517 - acc: 0.8249 - val_loss: 0.3701 - val_acc: 0.7954
Epoch 997/1000
8988/8988 [==============================] - 0s - loss: 0.3516 - acc: 0.8238 - val_loss: 0.3699 - val_acc: 0.8059
Epoch 998/1000
8988/8988 [==============================] - 0s - loss: 0.3516 - acc: 0.8250 - val_loss: 0.3694 - val_acc: 0.8038
Epoch 999/1000
8988/8988 [==============================] - 0s - loss: 0.3512 - acc: 0.8241 - val_loss: 0.3692 - val_acc: 0.7975
Epoch 1000/1000
8988/8988 [==============================] - 0s - loss: 0.3504 - acc: 0.8247 - val_loss: 0.3696 - val_acc: 0.7975