分類器毎のdecision_function、predict_probaの保持状況を調べてみた

はじめに

分類問題でROC曲線を書いたり、ROC-AUCスコアを計算する場合に、しきい値が必要となり、scikit-learnでは分類器の decision_function()やpredict_proba()メソッドが利用される。一般にscikit-learnの分類器はこれらのメソッドのどちらかを保持しているという記載を本でみたため、実際に調べてみた。

環境

• scikit-learn 0.21.2

調査した分類器

調べたものは思いついた以下のもの。XGBClassifier、LGBMClassifier、CatBoostClassifier はscikit-learnにもともと用意されている分類器ではないが、scikit-learnのインターフェースが用意されているため、合わせて調査した。

• LogisticRegression
• SGDClassifier
  SVC
• RandomForestClassifier
• ExtraTreesClassifier
• AdaBoostClassifier
• XGBClassifier
• LGBMClassifier
• CatBoostClassifier
• MLPClassifier

コード

ClassificaitonScoreFunctionCheck.py

from sklearn.linear_model import LogisticRegression, SGDClassifier
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, AdaBoostClassifier
from xgboost import XGBClassifier
from lightgbm import LGBMClassifier
from catboost import CatBoostClassifier
from sklearn.neural_network import MLPClassifier


def main():

    estimators = [LogisticRegression, SGDClassifier,SVC,RandomForestClassifier,
                  ExtraTreesClassifier, AdaBoostClassifier, XGBClassifier,
                  LGBMClassifier,CatBoostClassifier,MLPClassifier]

    for estimator in estimators:
        print("{0},{1},{2},{3}".format(
            estimator,
            hasattr(estimator, "predict"),
            hasattr(estimator, "predict_proba"),
            hasattr(estimator, "decision_function")
        ))

if __name__ == "__main__":
    main()

結果

分類器	predict_proba()	decision_function()
LogisticRegression	True	True
SGDClassifier	True	True
SVC	True	True
RandomForestClassifier	True	False
ExtraTreesClassifier	True	False
AdaBoostClassifier	True	True
XGBClassifier	True	False
LGBMClassifier	True	False
CatBoostClassifier	True	False
MLPClassifier	True	False

#考察

predict_proba()メソッドは全ての分類器が保持していたが、decision_functionについては、保持しているものが4つ、保持していないものが5つという結果になった。
この結果からROC-AUCスコアを計算する場合のしきい値にどちらを使うかについて、以下の方針が考えられる。

• decision_function()がないものについては、predict_proba()メソッドを使う
• decision_function()とpredict_proba()の両方があるものについては、各分類器で推奨されている、またはよく使われているメソッドを使う。