Pergunta em uma frase: alguém sabe como determinar bons pesos de classe para uma floresta aleatória?
Explicação: Estou brincando com conjuntos de dados desequilibrados. Eu quero usar o Rpacote randomForestpara treinar um modelo em um conjunto de dados muito assimétrico, com apenas alguns exemplos positivos e muitos negativos. Eu sei, existem outros métodos e, no final, vou usá-los, mas por razões técnicas, construir uma floresta aleatória é uma etapa intermediária. Então eu brinquei com o parâmetro classwt. Estou configurando um conjunto de dados muito artificial de 5000 exemplos negativos no disco com raio 2 e, em seguida, colho 100 exemplos positivos no disco com raio 1. O que suspeito é que
1) sem ponderação de classe, o modelo se torna "degenerado", ou seja, prediz em FALSEtodos os lugares.
2) com uma ponderação de classe justa, verei um 'ponto verde' no meio, ou seja, ele preverá o disco com raio 1 como se TRUEhouvesse exemplos negativos.
É assim que os dados se parecem:
É o que acontece sem ponderar: (a chamada é randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50):)
Para verificar, também tentei o que acontece quando equilibro violentamente o conjunto de dados ao fazer uma amostragem reduzida da classe negativa para que o relacionamento seja 1: 1 novamente. Isso me dá o resultado esperado:
No entanto, quando eu calculo um modelo com uma ponderação de classe de 'FALSE' = 1, 'TRUE' = 50 (essa é uma ponderação justa, pois há 50 vezes mais negativos do que positivos), então recebo o seguinte:
Somente quando defino os pesos com algum valor estranho, como 'FALSE' = 0,05 e 'TRUE' = 500000, obtive resultados sensatos:
E isso é bastante instável, ou seja, alterar o peso 'FALSE' para 0,01 faz com que o modelo degenere novamente (ou seja, ele prediz em TRUEtodos os lugares).
Pergunta: Alguém sabe como determinar bons pesos de classe para uma floresta aleatória?
Código R:
library(plot3D)
library(data.table)
library(randomForest)
set.seed(1234)
amountPos = 100
amountNeg = 5000
# positives
r = runif(amountPos, 0, 1)
phi = runif(amountPos, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(T, length(x))
pos = data.table(x = x, y = y, z = z)
# negatives
r = runif(amountNeg, 0, 2)
phi = runif(amountNeg, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(F, length(x))
neg = data.table(x = x, y = y, z = z)
train = rbind(pos, neg)
# draw train set, verify that everything looks ok
plot(train[z == F]$x, train[z == F]$y, col="red")
points(train[z == T]$x, train[z == T]$y, col="green")
# looks ok to me :-)
Color.interpolateColor = function(fromColor, toColor, amountColors = 50) {
from_rgb = col2rgb(fromColor)
to_rgb = col2rgb(toColor)
from_r = from_rgb[1,1]
from_g = from_rgb[2,1]
from_b = from_rgb[3,1]
to_r = to_rgb[1,1]
to_g = to_rgb[2,1]
to_b = to_rgb[3,1]
r = seq(from_r, to_r, length.out = amountColors)
g = seq(from_g, to_g, length.out = amountColors)
b = seq(from_b, to_b, length.out = amountColors)
return(rgb(r, g, b, maxColorValue = 255))
}
DataTable.crossJoin = function(X,Y) {
stopifnot(is.data.table(X),is.data.table(Y))
k = NULL
X = X[, c(k=1, .SD)]
setkey(X, k)
Y = Y[, c(k=1, .SD)]
setkey(Y, k)
res = Y[X, allow.cartesian=TRUE][, k := NULL]
X = X[, k := NULL]
Y = Y[, k := NULL]
return(res)
}
drawPredictionAreaSimple = function(model) {
widthOfSquares = 0.1
from = -2
to = 2
xTable = data.table(x = seq(from=from+widthOfSquares/2,to=to-widthOfSquares/2,by = widthOfSquares))
yTable = data.table(y = seq(from=from+widthOfSquares/2,to=to-widthOfSquares/2,by = widthOfSquares))
predictionTable = DataTable.crossJoin(xTable, yTable)
pred = predict(model, predictionTable)
res = rep(NA, length(pred))
res[pred == "FALSE"] = 0
res[pred == "TRUE"] = 1
pred = res
predictionTable = predictionTable[, PREDICTION := pred]
#predictionTable = predictionTable[y == -1 & x == -1, PREDICTION := 0.99]
col = Color.interpolateColor("red", "green")
input = matrix(c(predictionTable$x, predictionTable$y), nrow = 2, byrow = T)
m = daply(predictionTable, .(x, y), function(x) x$PREDICTION)
image2D(z = m, x = sort(unique(predictionTable$x)), y = sort(unique(predictionTable$y)), col = col, zlim = c(0,1))
}
rfModel = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50)
rfModelBalanced = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50, classwt = c("FALSE" = 1, "TRUE" = 50))
rfModelBalancedWeird = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50, classwt = c("FALSE" = 0.05, "TRUE" = 500000))
drawPredictionAreaSimple(rfModel)
title("unbalanced")
drawPredictionAreaSimple(rfModelBalanced)
title("balanced with weights")
pos = train[z == T]
neg = train[z == F]
neg = neg[sample.int(neg[, .N], size = 100, replace = FALSE)]
trainSampled = rbind(pos, neg)
rfModelBalancedSampling = randomForest(x = trainSampled[, .(x,y)],y = as.factor(trainSampled$z),ntree = 50)
drawPredictionAreaSimple(rfModelBalancedSampling)
title("balanced with sampling")
drawPredictionAreaSimple(rfModelBalancedWeird)
title("balanced with weird weights")fonte
Respostas:
Não use um limite definitivo para classificar uma associação física e não use KPIs que dependam dessa previsão de associação física. Em vez disso, trabalhe com uma previsão probabilística, usando
predict(..., type="prob")e avalie-as usando regras de pontuação adequadas .Esse tópico anterior deve ser útil: Por que a precisão não é a melhor medida para avaliar modelos de classificação? Sem surpresa, acredito que minha resposta seria particularmente útil (desculpe a falta de vergonha), assim como uma resposta anterior .
fonte