? ? ? ? ? ? ? ? ? ?
來源： 機(jī)器學(xué)習(xí)社區(qū)、數(shù)據(jù)派THU 本文約3400字 10分鐘
本文與你 分享7種最常用的交叉驗(yàn)證技術(shù)及其優(yōu)缺點(diǎn)，提供了每種技術(shù)的代碼片段。 在任何有監(jiān)督機(jī)器學(xué)習(xí)項(xiàng)目的模型構(gòu)建階段，我們訓(xùn)練模型的目的是從標(biāo)記的示例中學(xué)習(xí)所有權(quán)重和偏差的最佳值。 如果我們使用相同的標(biāo)記示例來測試我們的模型，那么這將是一個方法論錯誤，因?yàn)橐粋€只會重復(fù)剛剛看到的樣本標(biāo)簽的模型將獲得完美的分?jǐn)?shù)，但無法預(yù)測任何有用的東西 - 未來的數(shù)據(jù)，這種情況稱為過擬合。 為了克服過度擬合的問題，我們使用交叉驗(yàn)證。所以你必須知道什么是交叉驗(yàn)證？以及如何解決過擬合的問題？
什么是交叉驗(yàn)證？
交叉驗(yàn)證是一種用于估計機(jī)器學(xué)習(xí)模型性能的統(tǒng)計方法，它是一種評估統(tǒng)計分析結(jié)果如何推廣到獨(dú)立數(shù)據(jù)集的方法。 它是如何解決過擬合問題的？
在交叉驗(yàn)證中，我們將訓(xùn)練數(shù)據(jù)生成多個小的訓(xùn)練測試分割，使用這些拆分來調(diào)整您的模型。例如，在標(biāo)準(zhǔn)的 k 折交叉驗(yàn)證中，我們將數(shù)據(jù)劃分為 k 個子集。然后，我們在 k-1 個子集上迭代訓(xùn)練算法，同時使用剩余的子集作為測試集。通過這種方式，我們可以在未參與訓(xùn)練的數(shù)據(jù)上測試我們的模型。 在本文中，我將分享 7 種最常用的交叉驗(yàn)證技術(shù)及其優(yōu)缺點(diǎn)，我還提供了每種技術(shù)的代碼片段，歡迎收藏學(xué)習(xí)，喜歡點(diǎn)贊支持。 1、HoldOut 交叉驗(yàn)證
在這種交叉驗(yàn)證技術(shù)中，整個數(shù)據(jù)集被隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集。根據(jù)經(jīng)驗(yàn)，整個數(shù)據(jù)集的近 70% 用作訓(xùn)練集，其余 30% 用作驗(yàn)證集。
1.快速執(zhí)行：因?yàn)槲覀儽仨殞?shù)據(jù)集拆分為訓(xùn)練集和驗(yàn)證集一次，并且模型將在訓(xùn)練集上僅構(gòu)建一次，因此可以快速執(zhí)行。 1. 不適合不平衡數(shù)據(jù)集：假設(shè)我們有一個不平衡數(shù)據(jù)集，它具有“0”類和“1”類。假設(shè) 80% 的數(shù)據(jù)屬于“0”類，其余 20% 的數(shù)據(jù)屬于“1”類。在訓(xùn)練集大小為 80%，測試數(shù)據(jù)大小為數(shù)據(jù)集的 20% 的情況下進(jìn)行訓(xùn)練-測試分割?？赡軙l(fā)生“0”類的所有 80% 數(shù)據(jù)都在訓(xùn)練集中，而“1”類的所有數(shù)據(jù)都在測試集中。所以我們的模型不能很好地概括我們的測試數(shù)據(jù)，因?yàn)樗皼]有看到過“1”類的數(shù)據(jù)； 2. 大量數(shù)據(jù)無法訓(xùn)練模型。 在小數(shù)據(jù)集的情況下，將保留一部分用于測試模型，其中可能具有我們的模型可能會錯過的重要特征，因?yàn)樗鼪]有對該數(shù)據(jù)進(jìn)行訓(xùn)練。 from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_scoreiris=load_iris() X=iris.data Y=iris.target print("Size of Dataset {}" .format(len(X))) logreg=LogisticRegression() x_train,x_test,y_train,y_test=train_test_split(X,Y,test_size=0.3 ,random_state=42 ) logreg.fit(x_train,y_train) predict=logreg.predict(x_test) print("Accuracy score on training set is {}" .format(accuracy_score(logreg.predict(x_train),y_train))) print("Accuracy score on test set is {}" .format(accuracy_score(predict,y_test))) 2、K 折交叉驗(yàn)證
在這種 K 折交叉驗(yàn)證技術(shù)中，整個數(shù)據(jù)集被劃分為 K 個相等大小的部分。每個分區(qū)稱為一個“折疊”。因此，因?yàn)槲覀冇?K 個部分，所以我們稱之為 K 折疊。一折用作驗(yàn)證集，其余 K-1 折用作訓(xùn)練集。 該技術(shù)重復(fù) K 次，直到每個折疊用作驗(yàn)證集，其余折疊用作訓(xùn)練集。 模型的最終精度是通過取 k-models 驗(yàn)證數(shù)據(jù)的平均精度來計算的。
1. 整個數(shù)據(jù)集既用作訓(xùn)練集又用作驗(yàn)證集。 1. 不用于不平衡的數(shù)據(jù)集：正如在 HoldOut 交叉驗(yàn)證的情況下所討論的，在 K-Fold 驗(yàn)證的情況下也可能發(fā)生訓(xùn)練集的所有樣本都沒有樣本形式類“1”，并且只有 類“0”。驗(yàn)證集將有一個類“1”的樣本； 2. 不適合時間序列數(shù)據(jù)：對于時間序列數(shù)據(jù)，樣本的順序很重要。但是在 K 折交叉驗(yàn)證中，樣本是按隨機(jī)順序選擇的。 from sklearn.datasets import load_iris from sklearn.model_selection import cross_val_score,KFold from sklearn.linear_model import LogisticRegression iris=load_iris() X=iris.data Y=iris.target logreg=LogisticRegression() kf=KFold(n_splits=5) score=cross_val_score(logreg,X,Y,cv=kf) print("Cross Validation Scores are {}" .format(score)) print("Average Cross Validation score :{}" .format(score.mean())) 3、分層 K 折交叉驗(yàn)證
分層 K-Fold 是 K-Fold 交叉驗(yàn)證的增強(qiáng)版本，主要用于不平衡的數(shù)據(jù)集。就像 K-fold 一樣，整個數(shù)據(jù)集被分成大小相等的 K-fold。 但是在這種技術(shù)中，每個折疊將具有與整個數(shù)據(jù)集中相同的目標(biāo)變量實(shí)例比率。
1. 對于不平衡數(shù)據(jù)非常有效：分層交叉驗(yàn)證中的每個折疊都會以與整個數(shù)據(jù)集中相同的比率表示所有類別的數(shù)據(jù)。 1. 不適合時間序列數(shù)據(jù)：對于時間序列數(shù)據(jù)，樣本的順序很重要。但在分層交叉驗(yàn)證中，樣本是按隨機(jī)順序選擇的。 from sklearn.datasets import load_iris from sklearn.model_selection import cross_val_score,StratifiedKFold from sklearn.linear_model import LogisticRegression iris=load_iris() X=iris.data Y=iris.target logreg=LogisticRegression() stratifiedkf=StratifiedKFold(n_splits=5) score=cross_val_score(logreg,X,Y,cv=stratifiedkf) print("Cross Validation Scores are {}" .format(score)) print("Average?Cross?Validation?score?:{}" .format(score.mean())) 4、Leave P Out ?交叉驗(yàn)證
Leave P Out 交叉驗(yàn)證是一種詳盡的交叉驗(yàn)證技術(shù)，其中 p 樣本用作驗(yàn)證集，剩余的 n-p 樣本用作訓(xùn)練集。 假設(shè)我們在數(shù)據(jù)集中有 100 個樣本。如果我們使用 p=10，那么在每次迭代中，10 個值將用作驗(yàn)證集，其余 90 個樣本將用作訓(xùn)練集。 重復(fù)這個過程，直到整個數(shù)據(jù)集在 p 樣本和 n-p 訓(xùn)練樣本的驗(yàn)證集上被劃分。 1. 所有數(shù)據(jù)樣本都用作訓(xùn)練和驗(yàn)證樣本。 1. 計算時間長：由于上述技術(shù)會不斷重復(fù)，直到所有樣本都用作驗(yàn)證集，因此計算時間會更長； 2. 不適合不平衡數(shù)據(jù)集：與 K 折交叉驗(yàn)證相同，如果在訓(xùn)練集中我們只有 1 個類的樣本，那么我們的模型將無法推廣到驗(yàn)證集。 from sklearn.model_selection import LeavePOut,cross_val_score from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier iris=load_iris() X=iris.data Y=iris.target lpo=LeavePOut(p=2) lpo.get_n_splits(X) tree=RandomForestClassifier(n_estimators=10,max_depth=5,n_jobs=-1) score=cross_val_score(tree,X,Y,cv=lpo) print("Cross Validation Scores are {}" .format(score)) print("Average?Cross?Validation?score?:{}" .format(score.mean())) 5、留一交叉驗(yàn)證
留一交叉驗(yàn)證是一種詳盡的交叉驗(yàn)證技術(shù)，其中 1 個樣本點(diǎn)用作驗(yàn)證集，其余 n-1 個樣本用作訓(xùn)練集。 假設(shè)我們在數(shù)據(jù)集中有 100 個樣本。然后在每次迭代中，1 個值將用作驗(yàn)證集，其余 99 個樣本作為訓(xùn)練集。因此，重復(fù)該過程，直到數(shù)據(jù)集的每個樣本都用作驗(yàn)證點(diǎn)。 它與使用 p=1 的 LeavePOut 交叉驗(yàn)證相同。
from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import LeaveOneOut,cross_val_score iris=load_iris() X=iris.data Y=iris.target loo=LeaveOneOut() tree=RandomForestClassifier(n_estimators=10,max_depth=5,n_jobs=-1) score=cross_val_score(tree,X,Y,cv=loo) print("Cross Validation Scores are {}" .format(score)) print("Average?Cross?Validation?score?:{}" .format(score.mean())) 6、蒙特卡羅交叉驗(yàn)證（Shuffle Split）
蒙特卡羅交叉驗(yàn)證，也稱為Shuffle Split交叉驗(yàn)證，是一種非常靈活的交叉驗(yàn)證策略。在這種技術(shù)中，數(shù)據(jù)集被隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集。 我們已經(jīng)決定了要用作訓(xùn)練集的數(shù)據(jù)集的百分比和用作驗(yàn)證集的百分比。如果訓(xùn)練集和驗(yàn)證集大小的增加百分比總和不是 100，則剩余的數(shù)據(jù)集不會用于訓(xùn)練集或驗(yàn)證集。 假設(shè)我們有 100 個樣本，其中 60% 的樣本用作訓(xùn)練集，20% 的樣本用作驗(yàn)證集，那么剩下的 20%( 100-(60+20)) 將不被使用。
1.我們可以自由使用訓(xùn)練和驗(yàn)證集的大??； 2.我們可以選擇重復(fù)的次數(shù)，而不依賴于重復(fù)的折疊次數(shù)。 1. 可能不會為訓(xùn)練集或驗(yàn)證集選擇很少的樣本； 2. 不適合不平衡的數(shù)據(jù)集：在我們定義了訓(xùn)練集和驗(yàn)證集的大小后，所有的樣本都是隨機(jī)選擇的，所以訓(xùn)練集可能沒有測試中的數(shù)據(jù)類別 設(shè)置，并且該模型將無法概括為看不見的數(shù)據(jù)。 from sklearn.model_selection import ShuffleSplit,cross_val_scorefrom sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegressionlogreg=LogisticRegression() shuffle_split=ShuffleSplit(test_size=0.3 ,train_size=0.5 ,n_splits=10 ) scores=cross_val_score(logreg,iris.data,iris.target,cv=shuffle_split) print("cross Validation scores:n {}" .format(scores)) print("Average?Cross?Validation?score?:{}" .format(scores.mean())) 7、時間序列交叉驗(yàn)證
時間序列數(shù)據(jù)是在不同時間點(diǎn)收集的數(shù)據(jù)。由于數(shù)據(jù)點(diǎn)是在相鄰時間段收集的，因此觀測值之間可能存在相關(guān)性。這是區(qū)分時間序列數(shù)據(jù)與橫截面數(shù)據(jù)的特征之一。 在時間序列數(shù)據(jù)的情況下如何進(jìn)行交叉驗(yàn)證？ 在時間序列數(shù)據(jù)的情況下，我們不能選擇隨機(jī)樣本并將它們分配給訓(xùn)練集或驗(yàn)證集，因?yàn)槭褂梦磥頂?shù)據(jù)中的值來預(yù)測過去數(shù)據(jù)的值是沒有意義的。 由于數(shù)據(jù)的順序?qū)τ跁r間序列相關(guān)問題非常重要，所以我們根據(jù)時間將數(shù)據(jù)拆分為訓(xùn)練集和驗(yàn)證集，也稱為“前向鏈”方法或滾動交叉驗(yàn)證。 我們從一小部分?jǐn)?shù)據(jù)作為訓(xùn)練集開始?；谠摷希覀冾A(yù)測稍后的數(shù)據(jù)點(diǎn)，然后檢查準(zhǔn)確性。 然后將預(yù)測樣本作為下一個訓(xùn)練數(shù)據(jù)集的一部分包括在內(nèi)，并對后續(xù)樣本進(jìn)行預(yù)測。
1. 不適用于其他數(shù)據(jù)類型的驗(yàn)證：與其他技術(shù)一樣，我們選擇隨機(jī)樣本作為訓(xùn)練或驗(yàn)證集，但在該技術(shù)中數(shù)據(jù)的順序非常重要。 import numpy as npfrom sklearn.model_selection import TimeSeriesSplit X = np.array([[1 , 2 ], [3 , 4 ], [1 , 2 ], [3 , 4 ], [1 , 2 ], [3 , 4 ]])y = np.array([1 , 2 , 3 , 4 , 5 , 6 ]) time_series = TimeSeriesSplit () print (time_series)for train_index, test_index in time_series.split (X ): print ("TRAIN:" , train_index, "TEST:" , test_index) X_train , X_test = X [train_index], X [test_index] y_train, y_test = y[train_index], y[test_index] 結(jié)論
在本文中，我試圖概述各種交叉驗(yàn)證技術(shù)的工作原理以及我們在實(shí)施這些技術(shù)時應(yīng)牢記的事項(xiàng)，我真誠地希望在這個數(shù)據(jù)科學(xué)之旅中對你有所幫助。 
