校准器(Calibrated Learner)

用概率校准和决策阈值优化来包装另一个学习者。

输入

• 数据：输入数据集
• 预处理器：预处理方法
• 基学习器：要校准的学习器

输出

• 学习器：校准的学习算法
• 模型：使用经过校准的学习器训练的模型

功能

该学习器生成一个模型，该模型可校分类概率的分布并优化决策阈值。 该小部件仅适用于二元分类任务。

界面

1. 它将在其他小部件中显示的名称。 默认名称由学习器，校准和优化参数组成。
2. 概率校准：
   • Sigmoid 校准
   • Isotonic 校准
   • 不校准
3. 决策阈值优化：
   • 优化分类准确性
   • 优化 F1 score
   • 无阈值优化
4. 发送报告
5. 勾选 “自动应用” 以自动传送对其他小部件的更改，并在连接学习数据后立即训练分类器。 或者，在配置后按 “应用”。

示例

我们使用 titanic 数据集，因为小部件需要二元类值（在这种情况下，它们是“生存”和“未生存”的）。

我们将使用逻辑回归(Logistic Regression)作为基学习器，我们将使用默认设置进行校准，即通过分布值的 sigmoid 优化和通过优化准确率进行校准。

将结果与未经校准的 逻辑回归(Logistic Regression) 模型进行比较，我们可以看到校准后的模型表现更好。

参考文献

1. Why Calibrators? Part 1 of the Series on Probability Calibration
2. Calibration
3. 1.16. Probability calibration

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里