定义自定义准确度评分:预测中包含的真实的变化,Numpy实现?

jdzmm42g  于 2023-10-19  发布在  其他
关注(0)|答案(1)|浏览(87)

我正在运行一个多标签预测模型。作为一个性能度量,我正在检查我的模型中最高的N预测是否包含y=1的真实的情况。
例如,如果我的模型对一个数据点的最高预测是黄色(90%)、绿色(80%)、红色(75%),而现实是绿色和红色,我将其视为“正确”预测,而诸如(精确)准确度之类的度量将其视为不正确。
下面是我的实现,它有一个比较实际的大X和y矩阵(有很多列)的例子。我需要找到一个运行速度更快的实现(或完全不同的解决方案)。

以下可重现示例(运行速度太慢,约2分钟):

from scipy.sparse import random
import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import time

np.random.seed(14)

## Generate sparse X, and y
X = random(100_000, 1000, density=0.01, format='csr')
y = pd.DataFrame(np.random.choice([0, 1], size=(100_000, 10)))
# Define no change as 0 in all rows
y['no_change'] = np.where(y.sum(axis=1) == 0, 1, 0)

dt = DecisionTreeClassifier(max_depth=15)
dt.fit(X, y)

# Print precise accuracy -- truth must precisely match prediction
print(f"Accuracy score (precise): {accuracy_score(y_true=y, y_pred=dt.predict(X=X)):.1%}")

# Get top n predictions based on probability (in case of equality keep all)
def top_n_preds(row, n_top):
    topcols = row[row > 0].nlargest(n=n_top, keep='all')
    top_colnames = topcols.index.tolist()
    return top_colnames

start = time.time()
# Retrieve probabilities of predictions
pred_probs = np.asarray(dt.predict_proba(X=X))
pred_probs = pd.DataFrame(pred_probs[:, :, 1].T, columns=y.columns)

# Find top 5 predictions
pred_probs['top_preds'] = pred_probs.apply(top_n_preds, axis=1, n_top=5)
# List all real changes in y
pred_probs['real_changes'] = y.apply(lambda row: row[row == 1].index.tolist(), axis=1)
# Check if real changes are contained in top 5 predictions
pred_probs['preds_cover_reality'] = pred_probs.apply(lambda row: set(row['real_changes']).issubset(set(row['top_preds'])), axis=1)

print(f"Accuracy present in top n_top predictions: {pred_probs['preds_cover_reality'].sum() / y.shape[0]:.1%}")
print(f"Time elapsed: {(time.time()-start)/60:.1f} minutes")
ruyhziif

ruyhziif1#

在您的案例中,3个连续的.apply调用会产生显著的开销和延迟。
为了提高性能,我建议在成对的数据集上进行一次遍历:pred_probsy.values == 1(一次性获得 * real_changes * 列的过滤数据集)。
另一个开销最大、时间延迟最大的部分是在pred_probs行上调用pandas.Series.nlargest
尽管有人可能认为它可以被numpy.argpartition取代,但这并不完全正确。在某些情况下,某些pred_probs行的过滤值数量可能小于top_N,这会中断np.argpartition()调用。
更值得注意的是一个特殊的情况Series.nlargest(n=top_N, keep='all'),您使用的那个,允许保留副本,以便得到的样本量将大于top_N
为了以某种方式模仿这种行为,我使用np.sort + np.in1d + np.where的组合。
我的新版本在大约2.5秒内聚合准确性选择/标记以获得最终准确性分数。

top_N = 5

def agg_accuracy_picks(preds, y, top_n):
    """Aggregate accuracy picks/marks"""
    p_cols, y_cols = preds.columns, y.columns

    for p_row, y_row in zip(preds.values, y.values == 1):
        # top N values with all duplicates
        top_values = np.in1d(p_row, np.sort(p_row[p_row > 0])[-top_n:])
        top_cols = p_cols[np.where(top_values)[0]]

        yield set(y_cols[y_row]) <= set(top_cols)

start = time.time()
# Retrieve probabilities of predictions
pred_probs = np.asarray(dt.predict_proba(X=X))
pred_probs = pd.DataFrame(pred_probs[:, :, 1].T, columns=y.columns)

pred_probs['preds_cover_reality'] = list(agg_accuracy_picks(pred_probs, y=y, top_n=top_N))

print(f"Accuracy present in top n_top predictions: "
      f"{pred_probs['preds_cover_reality'].sum() / y.shape[0]:.1%}")
print(f"Time elapsed: {(time.time() - start): .1f} seconds")

样品输出:

Accuracy score (precise): 0.4%
Accuracy present in top n_top predictions: 3.5%
Time elapsed:  2.5 seconds

相关问题