如何解决无论输入如何,我的 RandomForest 始终为 model.predict_proba() 返回完全相同的概率
该代码应该根据葡萄糖、血压、BMI 和年龄等参数预测患糖尿病的可能性:
我首先必须修剪掉我不需要的列:
df=pd.read_csv('diabetes.csv')
keep_col = ['Glucose','BloodPressure','BMI','Age','Outcome']
df = df[keep_col]
df.to_csv('newFile.csv',index=False)
然后我不得不平衡数据集,因为没有糖尿病的患者数量是原来的两倍:
shuffled_df = df.sample(frac=1,random_state=4)
fraud_df = df.loc[shuffled_df['Outcome'] == 1]
non_fraud_df = shuffled_df.loc[shuffled_df['Outcome'] == 0].sample(n=684,random_state=42)
df = pd.concat([fraud_df,non_fraud_df])
制作训练和测试集:
X = df.iloc[:,:-1].values
Y = df.iloc[:,-1].values
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size = 0.25)
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
训练模型:
model = RandomForestClassifier(n_estimators=1,criterion='entropy',random_state=1)
model.fit(X_train,Y_train)
测试准确度,这通常会在 0.95-1 左右的任何地方返回:
model.score(X_train,Y_train)
打印真阴性、真阳性、假阴性和假阳性的数量:
cm = confusion_matrix(Y_test,model.predict(X_test))
TN = cm[0][0]
TP = cm[1][1]
FN = cm[1][0]
FP = cm[0][1]
print(cm)
print('Model Test Accuracy = {}'. format( (TP + TN )/ (TP + TN + FN + FP) ) )
模型测试准确率通常在80%以上
最后,当我使用模型进行新的预测时,例如:
model.predict_proba([[140,77,25,30]])
它总是返回相同的值,例如“array([[.3,.6]])”,即使我将葡萄糖从 140 切换到 190 或者如果我将 BMI 从 25 切换到 30 等等。唯一一次当我改变估计量的数量时,概率会发生变化,但即便如此,它们也不会随着不同的输入而改变。
对这个问题的任何帮助将不胜感激!
解决方法
正如所评论的,随机森林通常由几棵树(估计器的数量)组成,因此您应该将其更改为例如100. 使用如此少的变量,对于不同的 X
获得相同的概率并非不可能,因为它们可能最终都出现在同一个叶子中。您是否尝试过更显着地更改 X
值,例如将它们全部设置为 0 或非常小与非常高的值?如果您运行 model.predict_proba(X_test)
,它会返回什么?另外,我不知道你的树有多深,所以你可能也需要改变它以获得更多的异质性。
仅供参考,一个很好的优化随机森林参数的指南:https://towardsdatascience.com/hyperparameter-tuning-the-random-forest-in-python-using-scikit-learn-28d2aa77dd74
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。