Scikit - 更改阈值以创建多个混淆矩阵答案

【问题标题】：Scikit - changing the threshold to create multiple confusion matrixesScikit - 更改阈值以创建多个混淆矩阵
【发布时间】：2015-12-14 04:20:30
【问题描述】：

我正在构建一个分类器，该分类器会遍历贷款俱乐部数据，并选择最好的 X 笔贷款。我已经训练了一个随机森林，并创建了通常的 ROC 曲线、混淆矩阵等。

混淆矩阵将分类器的预测（森林中树木的多数预测）作为参数。但是，我希望以不同的阈值打印多个confusion matrices，以了解如果我选择 10% 最佳贷款、20% 最佳贷款等会发生什么。

我从阅读changing the threshold is often a bad idea 的其他问题中知道，但是有没有其他方法可以查看这些情况的混淆矩阵？（问题A）

如果我继续更改阈值，我是否应该假设最好的方法是将其设置为predict proba，然后手动设置阈值并将其传递给混淆矩阵？（问题 B）

【问题讨论】：

是的，我认为唯一的方法是使用 predict_proba 并手动更改阈值（或编写一个函数以根据某些指标选择最佳阈值）。在其他情况下这可能是个坏主意，但在这种情况下绝对有意义。

标签： scikit-learn classification random-forest threshold confusion-matrix

【解决方案1】：

A. 在您的情况下，更改阈值是可以接受的，甚至可能是必要的。默认阈值为 50%，但从业务角度来看，即使 15% 的不还款概率也可能足以拒绝此类申请。

事实上，在信用评分中，在使用通用模型预测违约概率后，通常会为不同的产品条款或客户群设置不同的临界值（参见例如 Naeem Siddiqi 的“信用风险记分卡”第 9 章） .

B。有两种方便的方法可以将阈值设置为任意 alpha 而不是 50%：

确实，predict_proba 并手动将其阈值设置为alpha，或使用包装类（参见下面的代码）。如果您想在不重新拟合模型的情况下尝试多个阈值，请使用此选项。
在拟合模型之前将class_weights 更改为(alpha, 1-alpha)。

现在，包装器的示例代码：

import numpy as np
from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from sklearn.base import BaseEstimator, ClassifierMixin
X, y = make_classification(random_state=1)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

class CustomThreshold(BaseEstimator, ClassifierMixin):
    """ Custom threshold wrapper for binary classification"""
    def __init__(self, base, threshold=0.5):
        self.base = base
        self.threshold = threshold
    def fit(self, *args, **kwargs):
        self.base.fit(*args, **kwargs)
        return self
    def predict(self, X):
        return (self.base.predict_proba(X)[:, 1] > self.threshold).astype(int)

rf = RandomForestClassifier(random_state=1).fit(X_train, y_train)
clf = [CustomThreshold(rf, threshold) for threshold in [0.3, 0.5, 0.7]]

for model in clf:
    print(confusion_matrix(y_test, model.predict(X_test)))

assert((clf[1].predict(X_test) == clf[1].base.predict(X_test)).all())
assert(sum(clf[0].predict(X_test)) > sum(clf[0].base.predict(X_test)))
assert(sum(clf[2].predict(X_test)) < sum(clf[2].base.predict(X_test)))

它将针对不同的阈值输出 3 个混淆矩阵：

[[13  1]
 [ 2  9]]
[[14  0]
 [ 3  8]]
[[14  0]
 [ 4  7]]

【讨论】：