数据划分与模型验证

机器学习中,正确地划分数据集是构建有效模型的关键步骤。为了避免模型过拟合,确保测试集中的组数量标准化等问题,数据集可以以多种方式划分为训练集和测试集。本文将通过可视化比较几种常见的scikit-learn对象的行为,来展示这一过程。

首先,需要理解数据的结构。数据集包含100个随机生成的输入数据点,分为3个类别,这些类别在数据点中的分布是不均匀的。同时,数据点被分为10个“组”,这些组在数据点中的分布是均匀的。

为了更好地理解数据,将可视化数据集。生成了类别/组数据,其中包含100个数据点,并且每个类别和组的分布如下:

n_points = 100 X = rng.randn(n_points, 10) percentiles_classes = [0.1, 0.3, 0.6] y = np.hstack([[ii] * int(100 * perc) for ii, perc in enumerate(percentiles_classes)]) group_prior = rng.dirichlet([2] * 10) groups = np.repeat(np.arange(10), rng.multinomial(100, group_prior))

接下来,定义一个函数来可视化交叉验证的行为。将对数据进行4次划分,在每次划分中,将可视化训练集(蓝色)和测试集(红色)的索引。

def plot_cv_indices(cv, X, y, group, ax, n_splits, lw=10): """Create a sample plot for indices of a cross-validation object.""" use_groups = "Group" in type(cv).__name__ groups = group if use_groups else None for ii, (tr, tt) in enumerate(cv.split(X=X, y=y, groups=groups)): indices = np.array([np.nan] * len(X)) indices[tt] = 1 indices[tr] = 0 ax.scatter(range(len(indices)), [ii + 0.5] * len(indices), c=indices, marker="_", lw=lw, cmap=cmap_cv, vmin=-0.2, vmax=1.2) # Plot the data classes and groups at the end ax.scatter(range(len(X)), [ii + 1.5] * len(X), c=y, marker="_", lw=lw, cmap=cmap_data) ax.scatter(range(len(X)), [ii + 2.5] * len(X), c=group, marker="_", lw=lw, cmap=cmap_data) # Formatting yticklabels = list(range(n_splits)) + ["class", "group"] ax.set(yticks=np.arange(n_splits + 2) + 0.5, yticklabels=yticklabels, xlabel="Sample index", ylabel="CV iteration", ylim=[n_splits + 2.2, -0.2], xlim=[0, 100]) ax.set_title("{}".format(type(cv).__name__), fontsize=15) return ax

现在,让看看KFold交叉验证对象的表现。通过下面的代码,可以看到KFold交叉验证迭代器默认情况下不考虑数据点的类别或组。可以通过使用StratifiedKFold来保持每个类别的样本百分比,或者使用GroupKFold来确保同一个组不会出现在两个不同的折叠中。

cvs = [StratifiedKFold, GroupKFold, StratifiedGroupKFold] for cv in cvs: fig, ax = plt.subplots(figsize=(6, 3)) plot_cv_indices(cv(n_splits), X, y, groups, ax, n_splits) ax.legend([Patch(color=cmap_cv(0.8)), Patch(color=cmap_cv(0.02))], ["Testing set", "Training set"], loc=(1.02, 0.8)) plt.tight_layout() fig.subplots_adjust(right=0.7)

接下来,将为多个CV迭代器可视化这种行为。将循环遍历几个常见的交叉验证对象,并可视化它们的行为。注意,有些对象使用组/类别信息,而有些则不使用。

cvs = [KFold, GroupKFold, ShuffleSplit, StratifiedKFold, StratifiedGroupKFold, GroupShuffleSplit, StratifiedShuffleSplit, TimeSeriesSplit] for cv in cvs: this_cv = cv(n_splits=n_splits) fig, ax = plt.subplots(figsize=(6, 3)) plot_cv_indices(this_cv, X, y, groups, ax, n_splits) ax.legend([Patch(color=cmap_cv(0.8)), Patch(color=cmap_cv(0.02))], ["Testing set", "Training set"], loc=(1.02, 0.8)) plt.tight_layout() fig.subplots_adjust(right=0.7) plt.show()
沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485