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?
Как классификация с несколькими метками работает в дереве решений scikit-learn?
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)
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
Anur, у меня вопрос, как это работает? Какова будет цель оптимизации модели при наличии двух наборов меток?
- person Urvish; 03.09.2019
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
не могли бы вы дать более глубокие мысли по этому поводу? Некоторые ресурсы для изучения также помогут.
- person Urvish; 03.09.2019
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