在機(jī)器學(xué)習(xí)中，我們經(jīng)常在訓(xùn)練集上訓(xùn)練模型，在測(cè)試集上測(cè)試模型。最終的目標(biāo)是希望我們的模型在測(cè)試集上有最好的表現(xiàn)。

但是，我們往往只有一個(gè)包含m個(gè)觀測(cè)的數(shù)據(jù)集D，我們既要用它進(jìn)行訓(xùn)練，又要對(duì)它進(jìn)行測(cè)試。此時(shí)，我們就需要對(duì)數(shù)據(jù)集D進(jìn)行劃分。

對(duì)于數(shù)據(jù)集D的劃分，我們盡量需要滿足三個(gè)要求：

1. 訓(xùn)練集樣本量充足
2. 訓(xùn)練模型時(shí)的計(jì)算量可以忍受
3. 不同的劃分方式會(huì)得出不同的訓(xùn)練集和測(cè)試集，從而得出不同的結(jié)果，我們需要消除這種影響

我們將分別介紹留出法、交叉驗(yàn)證法，以及各自的python實(shí)現(xiàn)。自助法(bootstrapping)將在下篇中加以介紹。

1.留出法

留出法是最常用最直接最簡(jiǎn)單的方法，它直接將數(shù)據(jù)集D拆分成兩個(gè)互斥的集合，其中一個(gè)作為訓(xùn)練集R，另一個(gè)作為測(cè)試集T。 即

在使用留出法時(shí)，需要注意：

1. 要有足夠的樣本量，以保證訓(xùn)練模型的效果
2. 在劃分時(shí)注意保證數(shù)據(jù)分布的一致性（如：500個(gè)樣本中正例和反例的比為2:3，則在訓(xùn)練集和測(cè)試集中正例和反例的比也要求為2:3），只需要采用隨機(jī)分層抽樣即可
3. 為了減弱隨機(jī)劃分的影響，重復(fù)劃分訓(xùn)練集和測(cè)試集，對(duì)得到的多次結(jié)果取平均作為最后的結(jié)果
4. 一般訓(xùn)練集和測(cè)試集的比例在8:2或者7:3
   

當(dāng)然留出法的缺點(diǎn)也非常明顯，即它會(huì)損失一定的樣本信息；同時(shí)需要大樣本。

python實(shí)現(xiàn)留出法，只需要使用sklearn包就可以

from sklearn.model_selection import train_test_split
#使用train_test_split劃分訓(xùn)練集和測(cè)試集
train_X , test_X, train_Y ,test_Y = train_test_split(
  X, Y, test_size=0.2,random_state=0)
''' 
X為原始數(shù)據(jù)的自變量，Y為原始數(shù)據(jù)因變量；
train_X，test_X是將X按照8:2劃分所得；
train_Y，test_Y是將X按照8:2劃分所得；
test_size是劃分比例；
random_state設(shè)置是否使用隨機(jī)數(shù)
'''

2.交叉驗(yàn)證法

交叉驗(yàn)證法(cross validation)可以很好地解決留出法的問題，它對(duì)數(shù)據(jù)量的要求不高，并且樣本信息損失不多。

交叉驗(yàn)證法先將數(shù)據(jù)集D劃分為k個(gè)大小相似的互斥子集，即

為了保證數(shù)據(jù)分布的一致性，從D中隨機(jī)分層抽樣即可。

之后，每次都用k-1個(gè)子集的并集作為訓(xùn)練集，余下的那個(gè)子集作為測(cè)試集，這樣我們就可以獲得k組訓(xùn)練/測(cè)試集，從而進(jìn)行k次訓(xùn)練和測(cè)試，最終返回這k組測(cè)試的均值。

具體說來，我們以k=10為例：
第一次我們選取第10份數(shù)據(jù)為測(cè)試集，前9份為訓(xùn)練集；
第二次我們選取第9份數(shù)據(jù)為測(cè)試集，第1-8和10為訓(xùn)練集；
…
第十次我們選取第1份數(shù)據(jù)為測(cè)試集，第2-9為訓(xùn)練集；
由此，我們共獲得10組訓(xùn)練集和測(cè)試集，進(jìn)行10次訓(xùn)練和測(cè)試，最終返回10次測(cè)試結(jié)果的均值。

顯然，交叉驗(yàn)證法結(jié)果的穩(wěn)定性和保真性很大程度取決于k的選擇，為了強(qiáng)調(diào)這一點(diǎn)，交叉驗(yàn)證法也稱作“k折交叉驗(yàn)證法”，k最常取的是10，也有取5或者20的。

同時(shí)，我們也需要避免由于數(shù)據(jù)劃分的隨機(jī)性造成的誤差，我們可以重復(fù)進(jìn)行p次實(shí)驗(yàn)。

p次k折交叉驗(yàn)證法，相當(dāng)于做了pk次留出法（比例為k-1:1）

python實(shí)現(xiàn)交叉驗(yàn)證法，只需要使用sklearn包就可以。注意，函數(shù)返回的是樣本序號(hào)。

import pandas as pd
from sklearn.model_selection import KFold

data = pd.read_excel('') #導(dǎo)入數(shù)據(jù)
kf = KFold(n_splits = 4,shuffle = False,random_state = None) 
'''n_splits表示將數(shù)據(jù)分成幾份；shuffle和random_state表示是否隨機(jī)生成。
如果shuffle = False,random_state = None,重復(fù)運(yùn)行將產(chǎn)生同樣的結(jié)果；
如果shuffle = True,random_state = None,重復(fù)運(yùn)行將產(chǎn)生不同的結(jié)果；
如果shuffle = True,random_state = （一個(gè)數(shù)值）,重復(fù)運(yùn)行將產(chǎn)生相同的結(jié)果；
'''
for train, test in kf.split(data):
 print("%s %s" % (train, test))
 '''
 結(jié)果
[ 5 6 7 8 9 10 11 12 13 14 15 16 17 18] [0 1 2 3 4]
[ 0 1 2 3 4 10 11 12 13 14 15 16 17 18] [5 6 7 8 9]
[ 0 1 2 3 4 5 6 7 8 9 15 16 17 18] [10 11 12 13 14]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] [15 16 17 18]
'''

如果想對(duì)數(shù)據(jù)集重復(fù)幾次使用交叉驗(yàn)證法劃分的話，使用RepeatedKFold函數(shù)即可，其中多了一個(gè)參數(shù)n_repeats

與留出法相比，交叉驗(yàn)證法的數(shù)據(jù)損失較小，更加適合于小樣本，但是其計(jì)算復(fù)雜度變高，存儲(chǔ)空間變大。極端的說來，如果將數(shù)據(jù)集D(m個(gè)樣本)分成m份，每次都取m-1個(gè)樣本為訓(xùn)練集，余下的那一個(gè)為測(cè)試集。共進(jìn)行m次訓(xùn)練和測(cè)試。這種方法被叫做留一法。

留一法的優(yōu)點(diǎn)顯而易見，其數(shù)據(jù)損失只有一個(gè)樣本，并且不會(huì)受到樣本隨即劃分的影響。但是，其計(jì)算復(fù)雜度過高，空間存儲(chǔ)占用過大。

python實(shí)現(xiàn)交叉驗(yàn)證法，只需要使用sklearn包就可以

from sklearn.model_selection import LeaveOneOut

X = [1, 2, 3, 4]
loo = LeaveOneOut()
for train, test in loo.split(data):
 print("%s %s" % (train, test))
'''結(jié)果
[1 2 3] [0]
[0 2 3] [1]
[0 1 3] [2]
[0 1 2] [3]
'''

綜上所述：

1. 當(dāng)我們數(shù)據(jù)量足夠時(shí)，選擇留出法簡(jiǎn)單省時(shí)，在犧牲很小的準(zhǔn)確度的情況下，換取計(jì)算的簡(jiǎn)便；
2. 當(dāng)我們的數(shù)據(jù)量較小時(shí)，我們應(yīng)該選擇交叉驗(yàn)證法，因?yàn)榇藭r(shí)劃分樣本集將會(huì)使訓(xùn)練數(shù)據(jù)過少；
3. 當(dāng)我們的數(shù)據(jù)量特別少的時(shí)候，我們可以考慮留一法。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論