Блог

Я пытаюсь построить классификатор дерева решений для задачи двоичной классификации. Мой набор данных был несбалансированным (1 = 173 и 0 = 354), и я использовал подход повторной выборки, чтобы увеличить класс меньшинства и сделать их сбалансированными. Я создаю модель, используя GridSearchCV, и вот мой код

 x=df_balanced["x"]
y=df_balanced['y']

X_train, X_test, Y_train, Y_test = model_selection.train_test_split( x, y, stratify=y, random_state=42,test_size=0.25)

pipeline = Pipeline([
    ('vectorizer',CountVectorizer(stop_words='english')),
    ('classifier', DecisionTreeClassifier(random_state=42))])


grid = {
    'vectorizer__ngram_range': [(1, 1), (1, 2)],
    'vectorizer__analyzer':('word', 'char'),
    'classifier__max_depth':[15,20,25,30]
}

grid_search = GridSearchCV(pipeline, param_grid=grid, scoring='accuracy', n_jobs=-1, cv=5)
grid_search.fit(X_train,Y_train)
print(grid_search.best_estimator_,"n")

best_parameters = grid_search.best_estimator_.get_params()
for param_name in sorted(list(grid.keys())):
    print("t{0}: {1}".format(param_name, best_parameters[param_name]))
best_model = grid_search.best_estimator_
y_pred=best_model.predict(X_test)

confusion=confusion_matrix(Y_test, y_pred)
report=classification_report(Y_test,y_pred)
false_positive_rate, true_positive_rate, thresholds = roc_curve(Y_test, y_pred)
roc_auc = auc(false_positive_rate, true_positive_rate)
print("Confusion matrix n",confusion,"n")
print("Classification_report n ",report,"n")
print("Train Accuracy",accuracy_score(Y_train, best_model.predict(X_train)))
print("Test Accuracy:",accuracy_score(Y_test,y_pred))
print("roc_auc_score",roc_auc)
  

и выходные данные.

 Confusion matrix 
 [[82  7]
 [13 75]] 

Classification_report 
                precision    recall  f1-score   support

           0       0.86      0.92      0.89        89
           1       0.91      0.85      0.88        88

   micro avg       0.89      0.89      0.89       177
   macro avg       0.89      0.89      0.89       177
weighted avg       0.89      0.89      0.89       177


Train Accuracy 0.9510357815442562
Test Accuracy: 0.8870056497175142
roc_auc_score 0.8868105209397344
  

Чтобы проверить, не ошибаюсь ли я в задаче переобучения, я рассчитал точность обучения и тестирования, и я думаю, что я не слишком сильно переобучаюсь.

Затем я показываю глубину дерева, которая может привести к переоснащению. код

  #Setup arrays to store train and test accuracies
dep = np.arange(1, 50)
train_accuracy = np.empty(len(dep))
test_accuracy = np.empty(len(dep))

# Loop over different values of k
for i, k in enumerate(dep):

    model=best_model.fit(X_train,Y_train)
    y_pred = model.predict(X_test)

    #Compute accuracy on the training set
    train_accuracy[i] = model.score(X_train,Y_train)

    #Compute accuracy on the testing set
    test_accuracy[i] = model.score(X_test, Y_test)

# Generate plot
plt.title('clf: Varying depth of tree')
plt.plot(dep, test_accuracy, label = 'Testing Accuracy')
plt.plot(dep, train_accuracy, label = 'Training Accuracy')
plt.legend()
plt.xlabel('Depth of tree')
plt.ylabel('Accuracy')
plt.show()
  

График очень странный, и я не могу его объяснить.

Любая помощь, пожалуйста

Внимательно посмотрев на ваш for цикл, вы поймете, что вы всегда просто подходите под одну и ту же модель; следующая строка:

 model=best_model.fit(X_train,Y_train)
  

никоим образом не зависит от вашего k и вообще не влияет на max_depth параметр, как вы на самом деле собираетесь делать.

Следовательно, все значения вашей точности (обучения и тестирования) одинаковы, отсюда и «странные» прямые линии (т. Е. постоянные значения).

Я предполагаю, что вы хотите получить показатели производительности для наилучших параметров, которые вы нашли в своем резюме и на разных глубинах; но проблема здесь в том, что это max_depth уже включено в ваш best_parameters , поэтому ваша методология выглядит довольно расплывчатой…