随机森林中的 class_weight 超参数改变了混淆矩阵中的样本数量

Question

我目前正在研究一个包含 24,000 个样本的随机森林分类模型，其中 20,000 个属于 class 0，其中 4,000 个属于 class 1。我制作了一个train_test_split，其中 test_set 是整个数据集的0.2（test_set 中的大约 4,800 个样本）。由于我正在处理不平衡的数据，因此我查看了旨在解决此问题的超参数class_weight。

我在设置class_weight='balanced' 时遇到的问题，看看训练集的confusion_matrix，我得到了类似的结果：

array([[13209, 747], [ 2776, 2468]])

如您所见，下方数组对应False Negative = 2776，后跟True Positive = 2468，而上方数组对应True Negative = 13209，后跟False Positive = 747。问题是样本量属于class 1，根据confusion_matrix是2,776 (False Negative) + 2,468 (True Positive)，加起来5,244 samples属于class 1。这没有任何意义，因为整个数据集仅包含 4,000 个属于 class 1 的样本，其中只有 3,200 个位于 train_set 中。看起来confusion_matrix 返回了矩阵的Transposed 版本，因为在training_set 中属于class 1 的样本的实际数量应该在train_set 中总计3,200 个样本，在test_set 中总计800 个样本。一般来说，正确的数字应该是 747 + 2468，总和为 3,215，这是属于class 1 的正确样本数量。 有人可以解释一下我使用class_weight 时会发生什么吗？ confusion_matrix 返回矩阵的transposed 版本是真的吗？我看错了吗？ 我尝试寻找答案并访问了几个在某种程度上相似的问题，但没有一个真正涵盖了这个问题。

这些是我查看的一些来源：

scikit-learn: Random forest class_weight and sample_weight parameters

How to tune parameters in Random Forest, using Scikit Learn?

https://datascience.stackexchange.com/questions/11564/how-does-class-weights-work-in-randomforestclassifier

https://stats.stackexchange.com/questions/244630/difference-between-sample-weight-and-class-weight-randomforest-classifier

using sample_weight and class_weight in imbalanced dataset with RandomForest Classifier

任何帮助将不胜感激，谢谢。

Answer 1

从docs复制玩具示例：

from sklearn.metrics import confusion_matrix

y_true = [0, 1, 0, 1]
y_pred = [1, 1, 1, 0]

tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
(tn, fp, fn, tp)
# (0, 2, 1, 1)

所以，您提供的混淆矩阵的阅读似乎是正确的。

confusion_matrix 返回一个转置的版本是真的吗？ 矩阵？

如上例所示，不。但是一个非常简单（而且看起来很无辜）的错误可能是您交换了y_true 和y_pred 参数的顺序，这很重要；结果确实是一个转置矩阵：

# correct order of arguments:
confusion_matrix(y_true, y_pred)
# array([[0, 2],
#        [1, 1]])

# inverted (wrong) order of the arguments:
confusion_matrix(y_pred, y_true)
# array([[0, 1],
#        [2, 1]])

从您提供的信息中无法判断这是否是原因，这很好地提醒了您为什么应该始终提供实际代码，而不是对您的想法进行口头描述 你的代码正在做...