sklearn中的交叉验证的实现(Cross-Validation)

2023-07-05 07:10:03 187

sklearn是利用python进行机器学习中一个非常全面和好用的第三方库，用过的都说好。今天主要记录一下sklearn中关于交叉验证的各种用法，主要是对sklearn官方文档Cross-validation:evaluatingestimatorperformance进行讲解，英文水平好的建议读官方文档，里面的知识点很详细。

先导入需要的库及数据集

In[1]:importnumpyasnp

In[2]:fromsklearn.model_selectionimporttrain_test_split

In[3]:fromsklearn.datasetsimportload_iris

In[4]:fromsklearnimportsvm

In[5]:iris=load_iris()

In[6]:iris.data.shape,iris.target.shape
Out[6]:((150,4),(150,))

1.train_test_split

对数据集进行快速打乱（分为训练集和测试集）

这里相当于对数据集进行了shuffle后按照给定的test_size进行数据集划分。

In[7]:X_train,X_test,y_train,y_test=train_test_split(
...:iris.data,iris.target,test_size=.4,random_state=0)
#这里是按照6:4对训练集测试集进行划分

In[8]:X_train.shape,y_train.shape
Out[8]:((90,4),(90,))

In[9]:X_test.shape,y_test.shape
Out[9]:((60,4),(60,))

In[10]:iris.data[:5]
Out[10]:
array([[5.1,3.5,1.4,0.2],
[4.9,3.,1.4,0.2],
[4.7,3.2,1.3,0.2],
[4.6,3.1,1.5,0.2],
[5.,3.6,1.4,0.2]])

In[11]:X_train[:5]
Out[11]:
array([[6.,3.4,4.5,1.6],
[4.8,3.1,1.6,0.2],
[5.8,2.7,5.1,1.9],
[5.6,2.7,4.2,1.3],
[5.6,2.9,3.6,1.3]])

In[12]:clf=svm.SVC(kernel='linear',C=1).fit(X_train,y_train)

In[13]:clf.score(X_test,y_test)
Out[13]:0.96666666666666667

2.cross_val_score

对数据集进行指定次数的交叉验证并为每次验证效果评测

其中，score默认是以scoring='f1_macro'进行评测的，余外针对分类或回归还有：

这需要fromsklearnimportmetrics,通过在cross_val_score指定参数来设定评测标准；
当cv指定为int类型时，默认使用KFold或StratifiedKFold进行数据集打乱，下面会对KFold和StratifiedKFold进行介绍。

In[15]:fromsklearn.model_selectionimportcross_val_score

In[16]:clf=svm.SVC(kernel='linear',C=1)

In[17]:scores=cross_val_score(clf,iris.data,iris.target,cv=5)

In[18]:scores
Out[18]:array([0.96666667,1.,0.96666667,0.96666667,1.])

In[19]:scores.mean()
Out[19]:0.98000000000000009

除使用默认交叉验证方式外，可以对交叉验证方式进行指定，如验证次数，训练集测试集划分比例等

In[20]:fromsklearn.model_selectionimportShuffleSplit

In[21]:n_samples=iris.data.shape[0]

In[22]:cv=ShuffleSplit(n_splits=3,test_size=.3,random_state=0)

In[23]:cross_val_score(clf,iris.data,iris.target,cv=cv)
Out[23]:array([0.97777778,0.97777778,1.])

在cross_val_score中同样可使用pipeline进行流水线操作

In[24]:fromsklearnimportpreprocessing

In[25]:fromsklearn.pipelineimportmake_pipeline

In[26]:clf=make_pipeline(preprocessing.StandardScaler(),svm.SVC(C=1))

In[27]:cross_val_score(clf,iris.data,iris.target,cv=cv)
Out[27]:array([0.97777778,0.93333333,0.95555556])

3.cross_val_predict

cross_val_predict与cross_val_score很相像，不过不同于返回的是评测效果，cross_val_predict返回的是estimator的分类结果（或回归值），这个对于后期模型的改善很重要，可以通过该预测输出对比实际目标值，准确定位到预测出错的地方，为我们参数优化及问题排查十分的重要。

In[28]:fromsklearn.model_selectionimportcross_val_predict

In[29]:fromsklearnimportmetrics

In[30]:predicted=cross_val_predict(clf,iris.data,iris.target,cv=10)

In[31]:predicted
Out[31]:
array([0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,2,1,1,1,1,1,2,1,1,1,1,1,1,1,1,
1,1,1,1,1,1,1,1,2,2,2,2,2,2,1,2,2,2,2,2,2,2,2,
2,2,2,2,1,2,2,2,2,2,2,2,2,2,2,2,2,2,1,2,2,2,2,
2,2,2,2,2,2,2,2,2,2,2,2])

In[32]:metrics.accuracy_score(iris.target,predicted)
Out[32]:0.96666666666666667

4.KFold

K折交叉验证，这是将数据集分成K份的官方给定方案，所谓K折就是将数据集通过K次分割，使得所有数据既在训练集出现过，又在测试集出现过，当然，每次分割中不会有重叠。相当于无放回抽样。

In[33]:fromsklearn.model_selectionimportKFold

In[34]:X=['a','b','c','d']

In[35]:kf=KFold(n_splits=2)

In[36]:fortrain,testinkf.split(X):
...:printtrain,test
...:printnp.array(X)[train],np.array(X)[test]
...:print'\n'
...:
[23][01]
['c''d']['a''b']


[01][23]
['a''b']['c''d']

5.LeaveOneOut

LeaveOneOut其实就是KFold的一个特例，因为使用次数比较多，因此独立的定义出来，完全可以通过KFold实现。

In[37]:fromsklearn.model_selectionimportLeaveOneOut

In[38]:X=[1,2,3,4]

In[39]:loo=LeaveOneOut()

In[41]:fortrain,testinloo.split(X):
...:printtrain,test
...:
[123][0]
[023][1]
[013][2]
[012][3]


#使用KFold实现LeaveOneOtut
In[42]:kf=KFold(n_splits=len(X))

In[43]:fortrain,testinkf.split(X):
...:printtrain,test
...:
[123][0]
[023][1]
[013][2]
[012][3]

6.LeavePOut

这个也是KFold的一个特例，用KFold实现起来稍麻烦些，跟LeaveOneOut也很像。

In[44]:fromsklearn.model_selectionimportLeavePOut

In[45]:X=np.ones(4)

In[46]:lpo=LeavePOut(p=2)

In[47]:fortrain,testinlpo.split(X):
...:printtrain,test
...:
[23][01]
[13][02]
[12][03]
[03][12]
[02][13]
[01][23]

7.ShuffleSplit

ShuffleSplit咋一看用法跟LeavePOut很像，其实两者完全不一样，LeavePOut是使得数据集经过数次分割后，所有的测试集出现的元素的集合即是完整的数据集，即无放回的抽样，而ShuffleSplit则是有放回的抽样，只能说经过一个足够大的抽样次数后，保证测试集出现了完成的数据集的倍数。

In[48]:fromsklearn.model_selectionimportShuffleSplit

In[49]:X=np.arange(5)

In[50]:ss=ShuffleSplit(n_splits=3,test_size=.25,random_state=0)

In[51]:fortrain_index,test_indexinss.split(X):
...:printtrain_index,test_index
...:
[134][20]
[143][02]
[402][13]

8.StratifiedKFold

这个就比较好玩了，通过指定分组，对测试集进行无放回抽样。

In[52]:fromsklearn.model_selectionimportStratifiedKFold

In[53]:X=np.ones(10)

In[54]:y=[0,0,0,0,1,1,1,1,1,1]

In[55]:skf=StratifiedKFold(n_splits=3)

In[56]:fortrain,testinskf.split(X,y):
...:printtrain,test
...:
[236789][0145]
[0134589][267]
[0124567][389]

9.GroupKFold

这个跟StratifiedKFold比较像，不过测试集是按照一定分组进行打乱的，即先分堆，然后把这些堆打乱，每个堆里的顺序还是固定不变的。

In[57]:fromsklearn.model_selectionimportGroupKFold

In[58]:X=[.1,.2,2.2,2.4,2.3,4.55,5.8,8.8,9,10]

In[59]:y=['a','b','b','b','c','c','c','d','d','d']

In[60]:groups=[1,1,1,2,2,2,3,3,3,3]

In[61]:gkf=GroupKFold(n_splits=3)

In[62]:fortrain,testingkf.split(X,y,groups=groups):
...:printtrain,test
...:
[012345][6789]
[0126789][345]
[3456789][012]

10.LeaveOneGroupOut

这个是在GroupKFold上的基础上混乱度又减小了，按照给定的分组方式将测试集分割下来。

In[63]:fromsklearn.model_selectionimportLeaveOneGroupOut

In[64]:X=[1,5,10,50,60,70,80]

In[65]:y=[0,1,1,2,2,2,2]

In[66]:groups=[1,1,2,2,3,3,3]

In[67]:logo=LeaveOneGroupOut()

In[68]:fortrain,testinlogo.split(X,y,groups=groups):
...:printtrain,test
...:
[23456][01]
[01456][23]
[0123][456]

11.LeavePGroupsOut

这个没啥可说的，跟上面那个一样，只是一个是单组，一个是多组

fromsklearn.model_selectionimportLeavePGroupsOut

X=np.arange(6)

y=[1,1,1,2,2,2]

groups=[1,1,2,2,3,3]

lpgo=LeavePGroupsOut(n_groups=2)

fortrain,testinlpgo.split(X,y,groups=groups):
printtrain,test

[45][0123]
[23][0145]
[01][2345]

12.GroupShuffleSplit

这个是有放回抽样

In[75]:fromsklearn.model_selectionimportGroupShuffleSplit

In[76]:X=[.1,.2,2.2,2.4,2.3,4.55,5.8,.001]

In[77]:y=['a','b','b','b','c','c','c','a']

In[78]:groups=[1,1,2,2,3,3,4,4]

In[79]:gss=GroupShuffleSplit(n_splits=4,test_size=.5,random_state=0)

In[80]:fortrain,testingss.split(X,y,groups=groups):
...:printtrain,test
...:
[0123][4567]
[2367][0145]
[2345][0167]
[4567][0123]

13.TimeSeriesSplit

针对时间序列的处理，防止未来数据的使用，分割时是将数据进行从前到后切割（这个说法其实不太恰当，因为切割是延续性的。。）

In[81]:fromsklearn.model_selectionimportTimeSeriesSplit

In[82]:X=np.array([[1,2],[3,4],[1,2],[3,4],[1,2],[3,4]])

In[83]:tscv=TimeSeriesSplit(n_splits=3)

In[84]:fortrain,testintscv.split(X):
...:printtrain,test
...:
[012][3]
[0123][4]
[01234][5]

这个repo用来记录一些python技巧、书籍、学习链接等，欢迎stargithub地址

声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。