Как классификация с несколькими метками работает в дереве решений scikit-learn?

У меня возникла проблема с классификацией входных данных, имеющих более одной метки. Итак, проблема заключается в классификации по нескольким меткам. Для этого я использовал классификаторы дерева решений scikit-learn, и на начальных этапах это дает довольно хорошие результаты. Но мне интересно, как это работает под капотом и как выполняется разделение в Дереве решений для классификации по нескольким меткам? Важный вопрос заключается в том, как одну инициализированную модель можно обучить одновременно с двумя разными классами меток? Как модель дерева решений решит задачу оптимизации для обоих разных наборов меток?


machine-learning multilabel-classification scikit-learn decision-tree
person Urvish    schedule 03.09.2019    source источник
comment
он работает так же, как и для «нормальной» задачи классификации   -  person PV8    schedule 03.09.2019
comment
@ PV8 Я знаю, что это дает более или менее одинаковый результат, но вопрос в том, как одну инициализированную модель можно обучить одновременно на двух разных классах меток?   -  person Urvish    schedule 03.09.2019

Ответы (1)


arrow_upward
0
arrow_downward

Под капотом каждый узел в вашем дереве решений имеет те же метки, что и корневой узел, однако вероятность каждой метки разная. Когда вы запускаете model.predict (), модель дает прогноз в виде метки с наибольшей вероятностью. Вы можете использовать model.predict_proba (), чтобы увидеть вероятность для каждой метки отдельно. Вы можете использовать этот код, чтобы правильно получить вероятности:

all_probs=pd.DataFrame(model.predict_proba(X_test),columns=model.classes_)
person Roee Anuar    schedule 03.09.2019
comment
Anur, у меня вопрос, как это работает? Какова будет цель оптимизации модели при наличии двух наборов меток? - person Urvish; 03.09.2019
comment
Это зависит от метрики ветвления, которую вы выбрали для своей модели. Например, если вы работаете с коэффициентом усиления - взаимная информация каждого атрибута с атрибутом класса сравнивается, и выбирается атрибут с наибольшим усилением. - person Roee Anuar; 03.09.2019
comment
не могли бы вы дать более глубокие мысли по этому поводу? Некоторые ресурсы для изучения также помогут. - person Urvish; 03.09.2019
comment
попробуйте этот people.cs.pitt.edu/~~ milos / course / cs2750-Spring2014 / Lectures / и этот ise.bgu.ac.il/faculty/liorr/hbchap9.pdf - person Roee Anuar; 03.09.2019