एक वाक्य में प्रश्न: क्या कोई जानता है कि एक यादृच्छिक जंगल के लिए अच्छे वर्ग के वज़न का निर्धारण कैसे किया जाता है?
स्पष्टीकरण: मैं असंतुलित डेटासेट के साथ खेल रहा हूँ। मैं बहुत कम सकारात्मक उदाहरण और कई नकारात्मक उदाहरणों के साथ एक बहुत तिरछे डेटासेट पर एक मॉडल को प्रशिक्षित करने के लिए Rपैकेज का उपयोग करना चाहता हूं randomForest। मुझे पता है, अन्य विधियां हैं और अंत में मैं उनका उपयोग करूंगा लेकिन तकनीकी कारणों से, एक यादृच्छिक जंगल का निर्माण एक मध्यवर्ती कदम है। इसलिए मैंने पैरामीटर के साथ खेला classwt। मैं त्रिज्या 2 के साथ डिस्क में 5000 नकारात्मक उदाहरणों का एक बहुत ही कृत्रिम डेटासेट स्थापित कर रहा हूं और फिर मैं त्रिज्या के साथ डिस्क में 100 सकारात्मक उदाहरणों का नमूना लेता हूं। मुझे संदेह है कि क्या है
1) मॉडल को भारित किए बिना कक्षा 'पतित' हो जाती है, यानी FALSEहर जगह भविष्यवाणी होती है।
2) एक उचित वर्ग भार के साथ मैं बीच में एक 'ग्रीन डॉट' देखूंगा, अर्थात यह त्रिज्या 1 के साथ डिस्क की भविष्यवाणी करेगा, TRUEहालांकि नकारात्मक उदाहरण हैं।
यह डेटा जैसा दिखता है:
(कॉल है: यह वही है भार के बिना होता है randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50))
जाँच के लिए मैंने यह भी कोशिश की कि जब मैं हिंसक रूप से नकारात्मक वर्ग को नीचा दिखा कर डेटा को संतुलित कर लूँ तो क्या होगा ताकि संबंध फिर से 1: 1 हो जाए। यह मुझे अपेक्षित परिणाम देता है:
हालाँकि, जब मैं 'FALSE' = 1, 'TRUE' = 50 के वर्ग भार के साथ एक मॉडल की गणना करता हूं (यह एक उचित भार है क्योंकि सकारात्मक से 50 गुना अधिक नकारात्मक हैं) तो मुझे यह मिलता है:
केवल जब मैं कुछ अजीब मानों जैसे 'FALSE' = 0.05 और 'TRUE' = 500000 का वजन सेट करता हूं, तब मुझे समझदार परिणाम मिलते हैं:
और यह काफी अस्थिर है, यानी 'FALSE' के वजन को 0.01 में बदलने से मॉडल फिर से पतित हो जाता है (यानी यह TRUEहर जगह भविष्यवाणी करता है)।
प्रश्न: क्या कोई जानता है कि एक यादृच्छिक जंगल के लिए अच्छे वर्ग के वज़न का निर्धारण कैसे किया जाता है?
आर कोड:
library(plot3D)
library(data.table)
library(randomForest)
set.seed(1234)
amountPos = 100
amountNeg = 5000
# positives
r = runif(amountPos, 0, 1)
phi = runif(amountPos, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(T, length(x))
pos = data.table(x = x, y = y, z = z)
# negatives
r = runif(amountNeg, 0, 2)
phi = runif(amountNeg, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(F, length(x))
neg = data.table(x = x, y = y, z = z)
train = rbind(pos, neg)
# draw train set, verify that everything looks ok
plot(train[z == F]$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")