多标签分类模型循环问题

Question

问题遇到的现象和发生背景

循环训练模型。我在循环训练模型的时候，随机打乱了训练数据，最后得到的结果都是一样的。我尝试单独运行5和10迭代次数，结果不一样。按理来说循环结果应该是不一样的，但是出现了结果完全相同的结果。

问题相关代码，请勿粘贴截图

# 随机选取训练集，并训练模型，并得到各个模型预测结果
def train_m(m):
    """
    :param m: 设置模型数目
    :return: 返回m个模型
    """
    model = {}  # 设置空的字典，用以存储模型或预测结果
    pred = {}
    i = 0
    while i < m:
        row_rand = np.random.permutation(train)  # 打乱数据顺序（使链排序为随机）
        row_rand_data = row_rand[..., 0:74]
        row_rand_label = row_rand[..., 74:134]

        # 训练模型，将所有模型存储在字典中
        clf = ClassifierChain(LGBMClassifier())
        clf_i = clf.fit(row_rand_data, row_rand_label)
        clf_i_copy = copy.copy(clf_i)
        model['%s'%i] = clf_i_copy

        # 预测，将所有预测结果存储在字典中，并将结果转换为数组toarray()
        pred_i = clf_i.predict(test_data).toarray()
        pred_i_copy = copy.copy(pred_i)
        pred['%s'%i] = pred_i_copy

        i = i + 1

    return model, pred

# 计算权重，得到最终预测结果
def w_pred_get(prediction_all, ft):
    w = prediction_all['0']
    num = 0
    i = j = 0
    # 统计预测标签数目
    while i < np.shape(prediction_all['0'])[0]:
        while j < np.shape(prediction_all['0'])[1]:
            for value in prediction_all.values():
                if value[i, j] == 1:
                    num = num + 1
            w[i, j] = num
            num = 0
            j = j + 1
        j = 0
        i = i + 1
    w = w/len(prediction_all) # 得到权值

    # 设置阈值ft，得到最终预测结果
    condition = w < ft
    condition2 = w >= ft
    prediction = np.where(condition, w, 1)
    prediction = np.where(condition2, prediction, 0)

    return prediction, w


# 查看不同迭代次数对于acc的影响，并进行可视化
for t in np.arange(5, 20, 5):
    model_it, pred_it = train_m(t)
    pred_w, w = w_pred_get(pred_it, 0.5)
    Subset_Accuracy = accuracy_score(pred_w, test_label)
    print(t, Subset_Accuracy)
    t = t + 5

Answer 1

我先确认个问题哈，train的行现在的物理含义是什么？一般来说，行代表样本，列表示特征。但如果是这样的话就是不对的，对样本的顺序进行打乱以后并不会改变分类器的效果，这个是需要对列的顺序进行打乱。比如昨天帖子里的from skmultilearn.problem_transform import ClassifierChain，本质上是先根据x预测y1，然后再根据x、y1预测y2，以此类推，所以需要对y的顺序进行重排。所以您先确认一下行与列的物理含义对不对，如果是对的话，我再看看别的问题。

row_rand = np.random.permutation(train)  # 打乱数据顺序（使链排序为随机）
row_rand_data = row_rand[..., 0:74]
row_rand_label = row_rand[..., 74:134]