在任何有監(jiān)督機器學習項目的模型構建階段，我們訓練模型的目的是從標記的示例中學習所有權重和偏差的最佳值。

如果我們使用相同的標記示例來測試我們的模型，那么這將是一個方法論錯誤，因為一個只會重復剛剛看到的樣本標簽的模型將獲得完美的分數(shù)，但無法預測任何有用的東西 - 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，我們使用交叉驗證。 所以你必須知道什么是交叉驗證？ 以及如何解決過擬合的問題？

一、什么是交叉驗證？

交叉驗證是一種用于估計機器學習模型性能的統(tǒng)計方法，它是一種評估統(tǒng)計分析結果如何推廣到獨立數(shù)據(jù)集的方法。

二、它是如何解決過擬合問題的？

在交叉驗證中，我們將訓練數(shù)據(jù)生成多個小的訓練測試分割，使用這些拆分來調整您的模型。 例如，在標準的 k 折交叉驗證中，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 種最常用的交叉驗證技術及其優(yōu)缺點，我還提供了每種技術的代碼片段。

下面列出了這些技術方法：

• HoldOut 交叉驗證
• K-Fold 交叉驗證
• 分層 K-Fold交叉驗證
• Leave P Out 交叉驗證
• 留一交叉驗證
• 蒙特卡洛 (Shuffle-Split)
• 時間序列（滾動交叉驗證）

1、HoldOut 交叉驗證

在這種交叉驗證技術中，整個數(shù)據(jù)集被隨機劃分為訓練集和驗證集。 根據(jù)經驗，整個數(shù)據(jù)集的近 70% 用作訓練集，其余 30% 用作驗證集。

優(yōu)點：

1.快速執(zhí)行：因為我們必須將數(shù)據(jù)集拆分為訓練集和驗證集一次，并且模型將在訓練集上僅構建一次，因此可以快速執(zhí)行。

缺點：

• 不適合不平衡數(shù)據(jù)集：假設我們有一個不平衡數(shù)據(jù)集，它具有“0”類和“1”類。 假設 80% 的數(shù)據(jù)屬于“0”類，其余 20% 的數(shù)據(jù)屬于“1”類。在訓練集大小為 80%，測試數(shù)據(jù)大小為數(shù)據(jù)集的 20% 的情況下進行訓練-測試分割。 可能會發(fā)生“0”類的所有 80% 數(shù)據(jù)都在訓練集中，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)，因為它之前沒有看到過“1”類的數(shù)據(jù)。
• 大量數(shù)據(jù)無法訓練模型。

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，因為它沒有對該數(shù)據(jù)進行訓練。

代碼片段

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
iris=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 折交叉驗證

在這種 K 折交叉驗證技術中，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，因為我們有 K 個部分，所以我們稱之為 K 折疊。 一折用作驗證集，其余 K-1 折用作訓練集。

該技術重復 K 次，直到每個折疊用作驗證集，其余折疊用作訓練集。

模型的最終精度是通過取k-models 驗證數(shù)據(jù)的平均精度來計算的。

優(yōu)點：

• 整個數(shù)據(jù)集既用作訓練集又用作驗證集：

缺點：

• 不用于不平衡的數(shù)據(jù)集：正如在 HoldOut 交叉驗證的情況下所討論的，在 K-Fold 驗證的情況下也可能發(fā)生訓練集的所有樣本都沒有樣本形式類“1”，并且只有 類“0”。驗證集將有一個類“1”的樣本。
• 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 折交叉驗證中，樣本是按隨機順序選擇的。

代碼片段：

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 折交叉驗證

分層 K-Fold 是 K-Fold 交叉驗證的增強版本，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。

但是在這種技術中，每個折疊將具有與整個數(shù)據(jù)集中相同的目標變量實例比率。

優(yōu)點：

• 對于不平衡數(shù)據(jù)非常有效：分層交叉驗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)。

缺點：

• 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。 但在分層交叉驗證中，樣本是按隨機順序選擇的。

代碼片段：

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 交叉驗證

Leave P Out 交叉驗證是一種詳盡的交叉驗證技術，其中 p 樣本用作驗證集，剩余的 np 樣本用作訓練集。

假設我們在數(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 個值將用作驗證集，其余 90 個樣本將用作訓練集。

重復這個過程，直到整個數(shù)據(jù)集在 p-樣本和 n-p 訓練樣本的驗證集上被劃分。

優(yōu)點：

• 所有數(shù)據(jù)樣本都用作訓練和驗證樣本。

缺點：

• 計算時間長：由于上述技術會不斷重復，直到所有樣本都用作驗證集，因此計算時間會更長。
• 不適合不平衡數(shù)據(jù)集：與 K 折交叉驗證相同，如果在訓練集中我們只有 1 個類的樣本，那么我們的模型將無法推廣到驗證集。

代碼片段

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、留一交叉驗證

留一交叉驗證是一種詳盡的交叉驗證技術，其中 1 個樣本點用作驗證集，其余 n-1 個樣本用作訓練集。

假設我們在數(shù)據(jù)集中有 100 個樣本。 然后在每次迭代中，1 個值將用作驗證集，其余 99 個樣本作為訓練集。 因此，重復該過程，直到數(shù)據(jù)集的每個樣本都用作驗證點。

它與使用 p=1 的 LeavePOut 交叉驗證相同。

代碼片段：

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、蒙特卡羅交叉驗證（Shuffle Split）

蒙特卡羅交叉驗證，也稱為Shuffle Split交叉驗證，是一種非常靈活的交叉驗證策略。 在這種技術中，數(shù)據(jù)集被隨機劃分為訓練集和驗證集。

我們已經決定了要用作訓練集的數(shù)據(jù)集的百分比和用作驗證集的百分比。 如果訓練集和驗證集大小的增加百分比總和不是 100，則剩余的數(shù)據(jù)集不會用于訓練集或驗證集。

假設我們有 100 個樣本，其中 60% 的樣本用作訓練集，20% 的樣本用作驗證集，那么剩下的 20%( 100-(60+20)) 將不被使用。

這種拆分將重復我們必須指定的“n”次。

優(yōu)點：

• 1.我們可以自由使用訓練和驗證集的大小。
• 2.我們可以選擇重復的次數(shù)，而不依賴于重復的折疊次數(shù)。

缺點：

• 可能不會為訓練集或驗證集選擇很少的樣本。
• 不適合不平衡的數(shù)據(jù)集：在我們定義了訓練集和驗證集的大小后，所有的樣本都是隨機選擇的，所以訓練集可能沒有測試中的數(shù)據(jù)類別 設置，并且該模型將無法概括為看不見的數(shù)據(jù)。

代碼片段：

from sklearn.model_selection import ShuffleSplit,cross_val_score
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
logreg=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、時間序列交叉驗證

什么是時間序列數(shù)據(jù)？

時間序列數(shù)據(jù)是在不同時間點收集的數(shù)據(jù)。由于數(shù)據(jù)點是在相鄰時間段收集的，因此觀測值之間可能存在相關性。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)的情況下如何進行交叉驗證？

在時間序列數(shù)據(jù)的情況下，我們不能選擇隨機樣本并將它們分配給訓練集或驗證集，因為使用未來數(shù)據(jù)中的值來預測過去數(shù)據(jù)的值是沒有意義的。

由于數(shù)據(jù)的順序對于時間序列相關問題非常重要，所以我們根據(jù)時間將數(shù)據(jù)拆分為訓練集和驗證集，也稱為“前向鏈”方法或滾動交叉驗證。

我們從一小部分數(shù)據(jù)作為訓練集開始?；谠摷希覀冾A測稍后的數(shù)據(jù)點，然后檢查準確性。

然后將預測樣本作為下一個訓練數(shù)據(jù)集的一部分包括在內，并對后續(xù)樣本進行預測。

優(yōu)點：

• 最好的技術之一。

缺點：

• 不適用于其他數(shù)據(jù)類型的驗證：與其他技術一樣，我們選擇隨機樣本作為訓練或驗證集，但在該技術中數(shù)據(jù)的順序非常重要。

代碼片段：

import numpy as np
from 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]

結論：

在本文中，我試圖概述各種交叉驗證技術的工作原理以及我們在實施這些技術時應牢記的事項，我真誠地希望在這個數(shù)據(jù)科學之旅中對你有所幫助。

到此這篇關于 分享Python 中的 7 種交叉驗證方法的文章就介紹到這了,更多相關Python 交叉驗證方法內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論