作者|Doug Steen
編譯|VK
來源|Towards Data Science
當涉及到機器學習分類任務時，用於訓練算法的數據越多越好。在監督學習中，這些數據必須根據目標類進行標記，否則，這些算法將無法學習獨立變量和目標變量之間的關系。但是，在構建用於分類的大型標記數據集時，會出現兩個問題：
- 標記數據可能很耗時。假設我們有1000000張狗圖像，我們想將它們輸入到分類算法中，目的是預測每個圖像是否包含波士頓狗。如果我們想將所有這些圖像用於監督分類任務，我們需要一個人查看每個圖像並確定是否存在波士頓狗。
- 標記數據可能很昂貴。原因一：要想讓人費盡心思去搜100萬張狗狗照片，我們可能得掏錢。
那么，這些未標記的數據可以用在分類算法中嗎？
這就是半監督學習的用武之地。在半監督方法中，我們可以在少量的標記數據上訓練分類器，然后使用該分類器對未標記的數據進行預測。
由於這些預測可能比隨機猜測更好，未標記的數據預測可以作為“偽標簽”在隨后的分類器迭代中采用。雖然半監督學習有很多種風格，但這種特殊的技術稱為自訓練。
自訓練
在概念層面上，自訓練的工作原理如下：
步驟1：將標記的數據實例拆分為訓練集和測試集。然后，對標記的訓練數據訓練一個分類算法。
步驟2：使用經過訓練的分類器來預測所有未標記數據實例的類標簽。在這些預測的類標簽中，正確率最高的被認為是“偽標簽”。
（第2步的幾個變化：a）所有預測的標簽可以同時作為“偽標簽”使用，而不考慮概率；或者b）“偽標簽”數據可以通過預測的置信度進行加權。）
步驟3：將“偽標記”數據與正確標記的訓練數據連接起來。在組合的“偽標記”和正確標記訓練數據上重新訓練分類器。
步驟4：使用經過訓練的分類器來預測已標記的測試數據實例的類標簽。使用你選擇的度量來評估分類器性能。
（可以重復步驟1到4，直到步驟2中的預測類標簽不再滿足特定的概率閾值，或者直到沒有更多未標記的數據保留。）
好的，明白了嗎？很好！讓我們通過一個例子解釋。
示例：使用自訓練改進分類器
為了演示自訓練，我使用Python和surgical_deepnet 數據集，可以在Kaggle上找到：https://www.kaggle.com/omnamahshivai/surgical-dataset-binary-classification
此數據集用於二分類，包含14.6k+手術的數據。這些屬性是bmi、年齡等各種測量值，而目標變量complexing則記錄患者是否因手術而出現並發症。顯然，能夠准確地預測患者是否會因手術而出現並發症，這對醫療保健和保險供應商都是最有利的。
導入庫
對於本教程，我將導入numpy、pandas和matplotlib。我還將使用sklearn中的LogisticRegression分類器，以及用於模型評估的f1_score和plot_confusion_matrix 函數
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import f1_score
from sklearn.metrics import plot_confusion_matrix
加載數據
# 加載數據
df = pd.read_csv('surgical_deepnet.csv')
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 14635 entries, 0 to 14634
Data columns (total 25 columns):
bmi 14635 non-null float64
Age 14635 non-null float64
asa_status 14635 non-null int64
baseline_cancer 14635 non-null int64
baseline_charlson 14635 non-null int64
baseline_cvd 14635 non-null int64
baseline_dementia 14635 non-null int64
baseline_diabetes 14635 non-null int64
baseline_digestive 14635 non-null int64
baseline_osteoart 14635 non-null int64
baseline_psych 14635 non-null int64
baseline_pulmonary 14635 non-null int64
ahrq_ccs 14635 non-null int64
ccsComplicationRate 14635 non-null float64
ccsMort30Rate 14635 non-null float64
complication_rsi 14635 non-null float64
dow 14635 non-null int64
gender 14635 non-null int64
hour 14635 non-null float64
month 14635 non-null int64
moonphase 14635 non-null int64
mort30 14635 non-null int64
mortality_rsi 14635 non-null float64
race 14635 non-null int64
complication 14635 non-null int64
dtypes: float64(7), int64(18)
memory usage: 2.8 MB
數據集中的屬性都是數值型的，沒有缺失值。由於我這里的重點不是數據清理，所以我將繼續對數據進行划分。
數據划分
為了測試自訓練的效果，我需要將數據分成三部分：訓練集、測試集和未標記集。我將按以下比例拆分數據：
- 1% 訓練
- 25% 測試
- 74% 未標記
對於未標記集，我將簡單地放棄目標變量complexing，並假裝它從未存在過。
所以，在這個病例中，我們認為74%的手術病例沒有關於並發症的信息。我這樣做是為了模擬這樣一個事實：在實際的分類問題中，可用的大部分數據可能沒有類標簽。然而，如果我們有一小部分數據的類標簽（在本例中為1%），那么可以使用半監督學習技術從未標記的數據中得出結論。
下面，我隨機化數據，生成索引來划分數據，然后創建測試、訓練和未標記的划分。然后我檢查各個集的大小，確保一切都按計划進行。
X_train dimensions: (146, 24)
y_train dimensions: (146,)
X_test dimensions: (3659, 24)
y_test dimensions: (3659,)
X_unlabeled dimensions: (10830, 24)
類分布
多數類的樣本數（（並發症））是少數類（並發症）的兩倍多。在這樣一個不平衡的類的情況下，我想准確度可能不是最佳的評估指標。
選擇F1分數作為分類指標來判斷分類器的有效性。F1分數對類別不平衡的影響比准確度更為穩健，當類別近似平衡時，這一點更為合適。F1得分計算如下：
其中precision是預測正例中正確預測的比例，recall是真實正例中正確預測的比例。
初始分類器（監督）
為了使半監督學習的結果更真實，我首先使用標記的訓練數據訓練一個簡單的Logistic回歸分類器，並對測試數據集進行預測。
Train f1 Score: 0.5846153846153846
Test f1 Score: 0.5002908667830134
分類器的F1分數為0.5。混淆矩陣告訴我們，分類器可以很好地預測沒有並發症的手術，准確率為86%。然而，分類器更難正確識別有並發症的手術，准確率只有47%。
預測概率
對於自訓練算法，我們需要知道Logistic回歸分類器預測的概率。幸運的是，sklearn提供了.predict_proba()方法，它允許我們查看屬於任一類的預測的概率。如下所示，在二元分類問題中，每個預測的總概率總和為1.0。
array([[0.93931367, 0.06068633],
[0.2327203 , 0.7672797 ],
[0.93931367, 0.06068633],
...,
[0.61940353, 0.38059647],
[0.41240068, 0.58759932],
[0.24306008, 0.75693992]])
自訓練分類器（半監督）
既然我們知道了如何使用sklearn獲得預測概率，我們可以繼續編碼自訓練分類器。以下是簡要概述：
第1步：首先，在標記的訓練數據上訓練Logistic回歸分類器。
第2步：接下來，使用分類器預測所有未標記數據的標簽，以及這些預測的概率。在這種情況下，我只對概率大於99%的預測采用“偽標簽”。
第3步：將“偽標記”數據與標記的訓練數據連接起來，並在連接的數據上重新訓練分類器。
第4步：使用訓練好的分類器對標記的測試數據進行預測，並對分類器進行評估。
重復步驟1到4，直到沒有更多的預測具有大於99%的概率，或者沒有未標記的數據保留。
下面的代碼使用while循環在Python中實現這些步驟。
Iteration 0
Train f1: 0.5846153846153846
Test f1: 0.5002908667830134
Now predicting labels for unlabeled data...
42 high-probability predictions added to training data.
10788 unlabeled instances remaining.
Iteration 1
Train f1: 0.7627118644067796
Test f1: 0.5037463976945246
Now predicting labels for unlabeled data...
30 high-probability predictions added to training data.
10758 unlabeled instances remaining.
Iteration 2
Train f1: 0.8181818181818182
Test f1: 0.505431675242996
Now predicting labels for unlabeled data...
20 high-probability predictions added to training data.
10738 unlabeled instances remaining.
Iteration 3
Train f1: 0.847457627118644
Test f1: 0.5076835515082526
Now predicting labels for unlabeled data...
21 high-probability predictions added to training data.
10717 unlabeled instances remaining.
...
Iteration 44
Train f1: 0.9481216457960644
Test f1: 0.5259179265658748
Now predicting labels for unlabeled data...
0 high-probability predictions added to training data.
10079 unlabeled instances remaining.
自訓練算法經過44次迭代，就不能以99%的概率預測更多的未標記實例了。即使一開始有10,830個未標記的實例，在自訓練之后仍然有10,079個實例未標記(並且未被分類器使用)。
經過44次迭代，F1的分數從0.50提高到0.525！雖然這只是一個小的增長，但看起來自訓練已經改善了分類器在測試數據集上的性能。上圖的頂部面板顯示，這種改進大部分發生在算法的早期迭代中。同樣，底部面板顯示，添加到訓練數據中的大多數“偽標簽”都是在前20-30次迭代中出現的。
最后的混淆矩陣顯示有並發症的手術分類有所改善，但沒有並發症的手術分類略有下降。有了F1分數的提高，我認為這是一個可以接受的進步-可能更重要的是確定會導致並發症的手術病例（真正例），並且可能值得增加假正例率來達到這個結果。
警告語
所以你可能會想：用這么多未標記的數據進行自訓練有風險嗎？答案當然是肯定的。請記住，盡管我們將“偽標記”數據與標記的訓練數據一起包含在內，但某些“偽標記”數據肯定會不正確。當足夠多的“偽標簽”不正確時，自訓練算法會強化糟糕的分類決策，而分類器的性能實際上會變得更糟。
可以使用分類器在訓練期間沒有看到的測試集，或者使用“偽標簽”預測的概率閾值，可以減輕這種風險。
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方文檔：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/