在scikit-learn中控制LDA和QDA的後驗概率閾值

Question

考慮下面的用例（這完全是從James等人的「介紹統計學習」入手）。

您試圖預測信用卡持有者是否會根據各種個人數據進行違約。您正在使用線性判別分析（或者，針對此問題的目的，二次判別分析）。

您希望您的估算師優先考慮假陽性率的真正陽性率。也就是說，正確識別即將發生的違約比預測未能實現的違約更重要。

在sklearn.lda.LDA和/或sklearn.qda.QDA類中是否有這樣的設置？我認爲用class_prior命名參數構建它們可能是合適的，但這似乎並不被接受。

Answer 1

您可以通過使用lda.predict_proba，然後手動進行閾值的概率改變判決門限：

lda = LDA().fit(X_train, y_train) 
probs_positive_class = lda.predict_proba(X_test)[:, 1] 
# say default is the positive class and we want to make few false positives 
prediction = probs_positive_class > .9 

這會給你他們是否將默認一個非常保守的估計（它只會說它們默認如果它是90％確定的）。 .9實際上是否相當於90％確定取決於分類器的性能如何。