? ? ? ? 在文章Keras入門（一）搭建深度神經(jīng)網(wǎng)絡(luò)（DNN）解決多分類問題中，筆者介紹了如何搭建DNN模型來解決IRIS數(shù)據(jù)集的多分類問題。
??本文將在此基礎(chǔ)上介紹如何在Keras中實現(xiàn)K折交叉驗證。

什么是K折交叉驗證？

??K折交叉驗證是機(jī)器學(xué)習(xí)中的一個專業(yè)術(shù)語，它指的是將原始數(shù)據(jù)隨機(jī)分成K份，每次選擇K-1份作為訓(xùn)練集，剩余的1份作為測試集。交叉驗證重復(fù)K次，取K次準(zhǔn)確率的平均值作為最終模型的評價指標(biāo)。一般取K=10，即10折交叉驗證，如下圖所示：

??用交叉驗證的目的是為了得到可靠穩(wěn)定的模型。K折交叉驗證能夠有效提高模型的學(xué)習(xí)能力，類似于增加了訓(xùn)練樣本數(shù)量，使得學(xué)習(xí)的模型更加穩(wěn)健，魯棒性更強(qiáng)。選擇合適的K值能夠有效避免過擬合。

Keras實現(xiàn)K折交叉驗證

??我們?nèi)圆捎梦恼翶eras入門（一）搭建深度神經(jīng)網(wǎng)絡(luò)（DNN）解決多分類問題中的模型，如下：

同時，我們對IRIS數(shù)據(jù)集采用10折交叉驗證，完整的實現(xiàn)代碼如下：

# -*- coding: utf-8 -*-
# model_train.py
# Python 3.6.8, TensorFlow 2.3.0, Keras 2.4.3
# 導(dǎo)入模塊
import keras as K
import pandas as pd
from sklearn.model_selection import KFold


# 讀取CSV數(shù)據(jù)集
# 該函數(shù)的傳入?yún)?shù)為csv_file_path: csv文件路徑
def load_data(sv_file_path):
    iris = pd.read_csv(sv_file_path)
    target_var = 'class'  # 目標(biāo)變量
    # 數(shù)據(jù)集的特征
    features = list(iris.columns)
    features.remove(target_var)
    # 目標(biāo)變量的類別
    Class = iris[target_var].unique()
    # 目標(biāo)變量的類別字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增加一列target, 將目標(biāo)變量轉(zhuǎn)化為類別變量
    iris['target'] = iris[target_var].apply(lambda x: Class_dict[x])

    return features, 'target', iris


# 創(chuàng)建模型
def create_model():
    init = K.initializers.glorot_uniform(seed=1)
    simple_adam = K.optimizers.Adam()
    model = K.models.Sequential()
    model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))
    model.compile(loss='sparse_categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])
    return model


def main():
    # 1. 讀取CSV數(shù)據(jù)集
    print("Loading Iris data into memory")
    n_split = 10
    features, target, data = load_data("./iris_data.csv")
    x = data[features]
    y = data[target]
    avg_accuracy = 0
    avg_loss = 0
    for train_index, test_index in KFold(n_split).split(x):
        print("test index: ", test_index)
        x_train, x_test = x.iloc[train_index], x.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]

        print("create model and train model")
        model = create_model()
        model.fit(x_train, y_train, batch_size=1, epochs=80, verbose=0)

        print('Model evaluation: ', model.evaluate(x_test, y_test))
        avg_accuracy += model.evaluate(x_test, y_test)[1]
        avg_loss += model.evaluate(x_test, y_test)[0]

    print("K fold average accuracy: {}".format(avg_accuracy / n_split))
    print("K fold average accuracy: {}".format(avg_loss / n_split))


main()

模型的輸出結(jié)果如下：

Iteration	loss	accuracy
1	0.00056	1.0
2	0.00021	1.0
3	0.00022	1.0
4	0.00608	1.0
5	0.21925	0.8667
6	0.52390	0.8667
7	0.00998	1.0
8	0.04431	1.0
9	0.14590	1.0
10	0.21286	0.8667
avg	0.11633	0.9600

10折交叉驗證的平均loss為0.11633,平均準(zhǔn)確率為96.00%。

總結(jié)

??本文代碼已存放至Github，網(wǎng)址為：https://github.com/percent4/Keras-K-fold-test 。
??感謝大家的閱讀~
??2020.1.24于上海浦東