- 공유 링크 만들기
- 이메일
- 기타 앱
이진분류기의 평가
이진 분류를 위해 로지스틱 모델을 사용합니다. 모델 생성을 위해 사용한 데이터셋은 pima-indians-diabetes.csv로서 Kaggle에서 가져올 수 있습니다. 이 파일은 .csv 형식이므로 pandas.read_csv("경로")를 통해 호출할 수 있습니다.
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score from sklearn.metrics import f1_score, confusion_matrix, precision_recall_curve, roc_curve from sklearn.preprocessing import StandardScaler, Binarizer from sklearn.linear_model import LogisticRegression
data = pd.read_csv('pima-indians-diabetes.csv')
data.head(3)
| preg | plas | pres | skin | test | mass | pedi | age | class | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 6 | 148 | 72 | 35 | 0 | 33.6 | 0.627 | 50 | 1 |
| 1 | 1 | 85 | 66 | 29 | 0 | 26.6 | 0.351 | 31 | 0 |
| 2 | 8 | 183 | 64 | 0 | 0 | 23.3 | 0.672 | 32 | 1 |
데이터는 라벨은 2개의 클래스로 구성되며 그 빈도는 다음과 같습니다.
data["class"].value_counts()
class 0 500 1 268 Name: count, dtype: int64
data.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 768 entries, 0 to 767 Data columns (total 9 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 preg 768 non-null int64 1 plas 768 non-null int64 2 pres 768 non-null int64 3 skin 768 non-null int64 4 test 768 non-null int64 5 mass 768 non-null float64 6 pedi 768 non-null float64 7 age 768 non-null int64 8 class 768 non-null int64 dtypes: float64(2), int64(7) memory usage: 54.1 KB
위 결과로 자료에 Null 값은 존재하지 않음을 알 수 있습니다.
sklearn.linear_model.LogisticRegression() 클래스를 사용하여 로지스틱 모델을 생성합니다. 모델 생성전 훈련과 검증 데이터셋을 구분합니다.
Xtr, Xte, ytr, yte=train_test_split(data.iloc[:,:-1], data["class"], test_size=0.3)
lrClf=LogisticRegression(max_iter=10000, random_state=3).fit(Xtr, ytr) predTr=lrClf.predict(Xtr) predTr[:3]
array([0, 0, 0], dtype=int64)
위 모델을 평가하기위해 혼동행렬(confusion matrix), 정확도, 정밀도, 재현율, F1 score, ROC를 조사합니다. 이들을 계산하기 위해 다음 함수를 생성합니다.
def clf_eval(y, y_pre):
confMat=confusion_matrix(y, y_pre)
acc=accuracy_score(y, y_pre)
preci=precision_score(y, y_pre)
recall=recall_score(y, y_pre)
f1=f1_score(y, y_pre)
re=pd.Series([acc, preci, recall, f1], index=["accuracy","precision","recall", "F1 score"])
return(confMat, re)
정확도, 정밀도, 재현율, F1-Score는 다음과 같습니다.
| 관측\예측 | P | N |
|---|---|---|
| P | TP | FN |
| N | FP | TN |
- 정확도(Accuracy): 전체 중에 올바른 분류의 정도
- 정밀도(Precision): 긍정값(목표값)을 올바르게 분류하는 정도(실제 목표값 중에 예측한 목표값) 직관적으로 분류자가 음성(목표가 아닌 값)인 샘플을 양성(목표값)으로 분류하지 않는 성능을 나타냄
- 재현율(Recall): 긍정값(목표값)을 올바르게 분류하는 정도(예측한 목표값 중에 실제 목표값) 직관적으로 양성(목표값)을 찾는 성능을 나타냄
- F1-score: 재현율과 정밀도의 조화평균입니다.
\begin{align}\text{Accuracy}&=\frac{\text{TP + TN}}{\text{TP + FP +TN + FN}}\\\tag{식 1}\text{Precision}&=\frac{\text{TP}}{\text{TP + FP}}\\\text{Recall}&=\frac{\text{TP}}{\text{TP + FN}}\\\text{F1-score}&=\frac{2\cdot\text{Precsion}\cdot\text{Recall}}{\text{Precsion}+\text{Recall}} \end{align}
조화평균(harmonic mean)은 각 값의 역수에 대한 산술평균입니다. 예를 들어 두 수 a,b의 조화평균은 식 2와 같이 계산됩니다.
$$\tag{식 2}\text{조화평균}=\frac{2}{\frac{1}{a} + \frac{1}{b}}=\frac{2ab}{a+b}$$
train_eval=clf_eval(ytr, predTr) train_eval
(array([[313, 37],
[ 78, 109]], dtype=int64),
accuracy 0.785847
precision 0.746575
recall 0.582888
F1 score 0.654655
dtype: float64)
preTe=lrClf.predict(Xte) test_eval=clf_eval(yte, preTe) test_eval
(array([[131, 19],
[ 32, 49]], dtype=int64),
accuracy 0.779221
precision 0.720588
recall 0.604938
F1 score 0.657718
dtype: float64)
정밀도와 재현율을 나타내는 그래프를 생성합니다. 이분류 모델은 식 3과 같습니다.
$$ \tag{식 3} f(x_i)=\begin{cases}1 & \hat{p}(Y=1 | x_i) > c\\ 0& \text{otherwise}\end{cases}$$
즉, 식 3에서 나타낸것과 같이 실제 관측값의 클래스가 1인 조건에서 모델에 의한 x(features)에 대한 예측확률이 임계값(threshold, c)보다 클때 1 즉, P로 그렇지 않을 경우 0(N)으로 예측합니다. sklearn의 대부분의 분류 추정기는 predict_proba() 함수에 의한 0과 1에 대한 예측확률을 계산합니다. SGDClassifier()와 같은 선형모형을 기반으로 분류하는 경우 decision_function() 메서드로 그 선형모델에 의한 결과값을 반환합니다. 이 두 결과는 각 샘플에 대한 모델의 결과로서 분류 경계를 나타낼 수 있는 임계값(threshold)으로 사용할 수 있습니다. 예를 들어 precision_recall_curve(y, y_score) 함수는 한계값의 변화에 의한 계산된 정밀도와 재현율을 반환합니다. 이 함수의 y_score는 predict_proba()의 결과로부터 1이 될 확률 또는 decision_function() 의 결과가 됩니다.
함수 precision_recall_curve( y, y_score)는 precision, recall, threshold를 반환하는 데 threshold는 y_score를 올림차순으로 정렬한 것입니다.
preTrProba=lrClf.predict_proba(Xtr) preTrProba[:3]
array([[0.88212769, 0.11787231],
[0.7058086 , 0.2941914 ],
[0.95943764, 0.04056236]])
ytr_score=preTrProba[:,1] precisions, recalls, thresholds=precision_recall_curve( ytr, ytr_score)
np.sort(ytr_score)[:5]
array([0.00224104, 0.00408697, 0.00825182, 0.01150737, 0.01381425])
thresholds[:5]
array([0.00224104, 0.00408697, 0.00825182, 0.01150737, 0.01381425])
precisions.shape, recalls.shape, thresholds.shape
((538,), (538,), (537,))
plt.figure(figsize=(4,3))
limit=thresholds.shape[0]
plt.plot(thresholds, precisions[:limit], color="b", label="precision")
plt.plot(thresholds, recalls[:limit], color="r", label="recall")
plt.xlabel("threshold")
plt.ylabel('values')
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.legend(loc="best")
plt.show()
위 과정을 함수로 작성하면 다음과 같습니다.
def precisionRecallFigure(y, y_score):
precisions, recalls, thresholds=precision_recall_curve(y, y_score)
plt.figure(figsize=(4,3))
limit=thresholds.shape[0]
plt.plot(thresholds, precisions[:limit], color="b", label="precision")
plt.plot(thresholds, recalls[:limit], color="r", label="recall")
plt.xlabel("threshold")
plt.ylabel('values')
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.legend(loc="best")
plt.show()
re=pd.DataFrame([precisions, recalls], index=["precision", "recall"]).T
return(re)
preTeProba=lrClf.predict_proba(Xte) yte_score=preTeProba[:,1] yte_eval=precisionRecallFigure(yte, yte_score)
yte_eval.head(3)
| precision | recall | |
|---|---|---|
| 0 | 0.350649 | 1.0 |
| 1 | 0.352174 | 1.0 |
| 2 | 0.353712 | 1.0 |
ROC curve(Receiver-Operation Chracteristic curve)는 민감도(recall)와 실제 음성중 가짜음성을 예측하는 비율(1- 특이도)를 시각화 한 것입니다. 함수 roc_curve(y, y_score, drop_intermediate=True)는 1-특이도, 민감도, 임계값를 반환합니다.
- 민감도(sensitivity)는 recall이라고도 하면 실제 양성중 양성을 예측하는 비율
- 특이도(spcificity)는 실제 음성중 음성을 예측하는 비율
- FPR은 실제 음성중 가짜음성의 비율
표 1의 교차표로부터 민감도와 특이도는 식 4와 같이 계산됩니다.
\begin{align}\text{sensitivity(recall)}&=\frac{\text{TP}}{\text{TP}+\text{FN}}\\\tag{식 4}\text{spcificity}&=\frac{\text{TN}}{\text{TN}+\text{FP}}\\\text{FPR}&=1-\text{spcificity}\\&=\frac{\text{FP}}{\text{TN}+\text{FP}} \end{align}
결과중 임계값는 y_score의 내림차순으로 정렬한 것입니다. thresh[0]에서 양성(P) 예측 매우 작을 것이므로 TP 또는 FP는 매우 낮을 것입니다. 그러므로 민감도와 1 - 특이도는 올림차순으로 반환됩니다. 또한 함수 roc_curve()의 인수 drop_intermediate에 의해 일부 임계값의 제거 여부를 지정할 수 있습니다. 기본값은 True로 제거되어 반환됩니다.
fpr, sen, thresh=roc_curve(ytr, ytr_score, drop_intermediate=False) thresh.shape, fpr.shape, sen.shape
((538,), (538,), (538,))
thresh[:10]
array([1.98998104, 0.98998104, 0.98106614, 0.9614324 , 0.9580388 ,
0.95603086, 0.95416965, 0.95221597, 0.94948189, 0.94771266])
np.sort(ytr_score)[::-1][:10]
array([0.98998104, 0.98106614, 0.9614324 , 0.9580388 , 0.95603086,
0.95416965, 0.95221597, 0.94948189, 0.94771266, 0.93416477])
plt.figure(figsize=(4,3))
plt.plot(fpr, sen, color="b", label="ROC")
plt.plot([0,1], [0,1], color="r", ls="dotted", label="random")
plt.xlabel("1-specificity")
plt.ylabel('sensitivy')
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.legend(loc="best")
plt.show()
위 그래프의 전체 면적은 1이며 그 중에 ROC 그래프의 아래의 면적(Area Under Curve, AUR)의 비율로서 이 추정기의 평가를 측정합니다. 위 그래프는 동전던기와 같은 랜덤변수의 이진 분류에서 기대할 수 있는 AUC 값으로 0.5를 나타냅니다. 일반적으로 추정기(분류모델)은 이 선위에 존재합니다.
위 그림에서 ROC의 AUC는 함수 roc_auc_score(y, y_score)로 확인할 수 있습니다.
auc=roc_auc_score(ytr, ytr_score) auc
0.8389915966386554
위 과정을 함수로 작성해 봅니다.
def rocFigure(y, y_score):
fpr, sen, thresh=roc_curve(y, y_score)
plt.figure(figsize=(4,3))
plt.plot(fpr, sen, color="b", label="ROC")
plt.plot([0,1], [0,1], color="r", ls="dotted", label="random")
plt.xlabel("1-specificity")
plt.ylabel('sensitivy')
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.legend(loc="best")
plt.show()
auc=roc_auc_score(ytr, ytr_score)
return({"AUC":auc})
rocFigure(yte, yte_score)
{'AUC': 0.8389915966386554}
댓글
댓글 쓰기