一、交叉验证简介
交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。
那么什么时候才需要交叉验证呢？交叉验证用在数据不是很充足的时候。通常情况下，如果数据样本量小于一万条，我们就会采用交叉验证来训练优化选择模型。如果样本大于一万条的话，我们一般随机的把数据分成三份，一份为训练集（Training Set），一份为验证集（Validation Set），最后一份为测试集（Test Set）。用训练集来训练模型，用验证集来评估模型预测的好坏和选择模型及其对应的参数。把最终得到的模型再用于测试集，最终决定使用哪个模型以及对应参数。
学习预测函数的参数，并在相同数据集上进行测试是一种错误的做法: 一个仅给出测试用例标签的模型将会获得极高的分数，但对于尚未出现过的数据它则无法预测出任何有用的信息。 这种情况称为 overfitting（过拟合）.。为了避免这种情况，在进行机器学习实验时，通常取出部分可利用数据作为 test set（测试数据集） X_test, y_test。下面是模型训练中典型的交叉验证工作流流程图。通过网格搜索可以确定最佳参数。
k-折交叉验证得出的性能指标是循环计算中每个值的平均值。 该方法虽然计算代价很高，但是它不会浪费太多的数据（如固定任意测试集的情况一样）， 在处理样本数据集较少的问题（例如，逆向推理）时比较有优势。
k-折交叉验证步骤
- 第一步，不重复抽样将原始数据随机分为 k 份。
- 第二步，每一次挑选其中 1 份作为测试集，剩余 k-1 份作为训练集用于模型训练。
- 第三步，重复第二步 k 次，这样每个子集都有一次机会作为测试集，其余机会作为训练集。
- 在每个训练集上训练后得到一个模型，
- 用这个模型在相应的测试集上测试，计算并保存模型的评估指标，
- 第四步，计算 k 组测试结果的平均值作为模型精度的估计，并作为当前 k 折交叉验证下模型的性能指标。
例如:
十折交叉验证
- 将训练集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率。
- 10次的结果的正确率的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证（例如10次10折交叉验证），再求其均值，作为对算法准确性的估计
- 模型训练过程的所有步骤，包括模型选择，特征选择等都是在单个折叠 fold 中独立执行的。
- 此外：
- 多次 k 折交叉验证再求均值，例如：10 次10 折交叉验证，以求更精确一点。
- 数据量大时，k设置小一些 / 数据量小时，k设置大一些。
KFold和StratifiedKFold的使用
StratifiedKFold用法类似Kfold，但是它是分层采样，确保训练集，测试集中各类别样本的比例与原始数据集中相同。这一区别在于当遇到非平衡数据时，StratifiedKFold() 各个类别的比例大致和完整数据集中相同，若数据集有4个类别，比例是2:3:3:2，则划分后的样本比例约是2:3:3:2；但是KFold可能存在一种情况：数据集有5类，抽取出来的也正好是按照类别划分的5类，也就是说第一折全是0类，第二折全是1类等等，这样的结果就会导致模型训练时没有学习到测试集中数据的特点，从而导致模型得分很低，甚至为0。
Parameters
- n_splits : int, default=3 也就是K折中的k值，必须大于等于2
- shuffle : boolean True表示打乱顺序，False反之
- random_state :int,default=None 随机种子，如果设置值了，shuffle必须为True
# KFold from sklearn.model_selection import KFold kfolds = KFold(n_splits=3) for train_index, test_index in kfolds.split(X,y): print('X_train:%s ' % X[train_index]) print('X_test: %s ' % X[test_index]) # StratifiedKFold from sklearn.model_selection import StratifiedKFold skfold = StratifiedKFold(n_splits=3) for train_index, test_index in skfold.split(X,y): print('X_train:%s ' % X[train_index]) print('X_test: %s ' % X[test_index])
KFold和StratifiedKFold实战案例
首先导入数据集，本数据集为员工离职数据，属于二分类任务
import pandas as pd import warnings warnings.filterwarnings('ignore') data = pd.read_excel('data.xlsx') data['薪资情况'].replace(to_replace={'低':0,'中':1,'高':2},inplace=True) data.head()
拆分数据集为训练集和测试集，测试集比例为0.2
from sklearn.model_selection import train_test_split X = data.drop('是否离职',axis=1) y = data['是否离职'] X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
初始化一个分类模型，这里用逻辑回归模型举例。方法1使用cross_val_score()可以直接得到k折训练的模型效果，比如下面使用3折进行训练，得分评估使用准确率，关于scoring这个参数我会在文末介绍。
# 初始化一个分类模型，比如逻辑回归 from sklearn.linear_model import LogisticRegression lg = LogisticRegression() # 方法1 from sklearn.model_selection import cross_val_score scores = cross_val_score(lg,X_train,y_train,cv=3,scoring='accuracy') print(scores) print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
接下来分别使用KFold和StratifiedKFold，其实两者代码非常类似，只是前面的方法不同。
KFold
# 方法2-KFold和StratifiedKFold import numpy as np from sklearn.model_selection import KFold,StratifiedKFold from sklearn.metrics import accuracy_score,recall_score,f1_score # KFold kfolds = KFold(n_splits=3) accuracy_score_list,recall_score_list,f1_score_list = [],[],[] for train_index,test_index in kfolds.split(X_train,y_train): # 准备交叉验证的数据 X_train_fold = X_train.iloc[train_index] y_train_fold = y_train.iloc[train_index] X_test_fold = X_train.iloc[test_index] y_test_fold = y_train.iloc[test_index] # 训练模型 lg.fit(X_train_fold,y_train_fold) y_pred = lg.predict(X_test_fold) # 评估模型 AccuracyScore = accuracy_score(y_test_fold,y_pred) RecallScore = recall_score(y_test_fold,y_pred) F1Score = f1_score(y_test_fold,y_pred) # 将评估指标存放对应的列表中 accuracy_score_list.append(AccuracyScore) recall_score_list.append(RecallScore) f1_score_list.append(F1Score) # 打印每一次训练的正确率、召回率、F1值 print('accuracy_score:',AccuracyScore,'recall_score:',RecallScore,'f1_score:',F1Score) # 打印各指标的平均值和95%的置信区间 print("Accuracy: %0.2f (+/- %0.2f)" % (np.average(accuracy_score_list), np.std(accuracy_score_list) * 2)) print("Recall: %0.2f (+/- %0.2f)" % (np.average(recall_score_list), np.std(recall_score_list) * 2)) print("F1_score: %0.2f (+/- %0.2f)" % (np.average(f1_score_list), np.std(f1_score_list) * 2))
StratifiedKFold
# StratifiedKFold skfolds = StratifiedKFold(n_splits=3) accuracy_score_list,recall_score_list,f1_score_list = [],[],[] for train_index,test_index in skfolds.split(X_train,y_train): # 准备交叉验证的数据 X_train_fold = X_train.iloc[train_index] y_train_fold = y_train.iloc[train_index] X_test_fold = X_train.iloc[test_index] y_test_fold = y_train.iloc[test_index] # 训练模型 lg.fit(X_train_fold,y_train_fold) y_pred = lg.predict(X_test_fold) # 评估模型 AccuracyScore = accuracy_score(y_test_fold,y_pred) RecallScore = recall_score(y_test_fold,y_pred) F1Score = f1_score(y_test_fold,y_pred) # 将评估指标存放对应的列表中 accuracy_score_list.append(AccuracyScore) recall_score_list.append(RecallScore) f1_score_list.append(F1Score) # 打印每一次训练的正确率、召回率、F1值 print('accuracy_score:',AccuracyScore,'recall_score:',RecallScore,'f1_score:',F1Score) # 打印各指标的平均值和95%的置信区间 print("Accuracy: %0.2f (+/- %0.2f)" % (np.average(accuracy_score_list), np.std(accuracy_score_list) * 2)) print("Recall: %0.2f (+/- %0.2f)" % (np.average(recall_score_list), np.std(recall_score_list) * 2)) print("F1_score: %0.2f (+/- %0.2f)" % (np.average(f1_score_list), np.std(f1_score_list) * 2))
补充
scoring 参数: 定义模型评估规则
Model selection （模型选择）和 evaluation （评估）使用工具，例如 model_selection.GridSearchCV 和 model_selection.cross_val_score ，采用 scoring 参数来控制它们对 estimators evaluated （评估的估计量）应用的指标。
常见场景: 预定义值
对于最常见的用例, 可以使用 scoring 参数指定一个 scorer object （记分对象）; 下表显示了所有可能的值。 所有 scorer objects （记分对象）遵循惯例 higher return values are better than lower return values（较高的返回值优于较低的返回值）。因此，测量模型和数据之间距离的 metrics （度量），如 metrics.mean_squared_error 可用作返回 metric （指数）的 negated value （否定值）的 neg_mean_squared_error 。
| Scoring（得分） | Function（函数） | Comment（注解） |
| Classification（分类） | ||
| ‘accuracy’ | metrics.accuracy_score | |
| ‘average_precision’ | metrics.average_precision_score |
| ‘f1’ | metrics.f1_score | for binary targets（用于二进制目标） |
| ‘f1_micro’ | metrics.f1_score | micro-averaged（微平均） |
| ‘f1_macro’ | metrics.f1_score | macro-averaged（宏平均） |
| ‘f1_weighted’ | metrics.f1_score | weighted average（加权平均） |
| ‘f1_samples’ | metrics.f1_score | by multilabel sample（通过 multilabel 样本） |
| ‘neg_log_loss’ | metrics.log_loss | requires predict_proba support（需要 predict_proba 支持） |
| ‘precision’ etc. | metrics.precision_score | suffixes apply as with ‘f1’（后缀适用于 ‘f1’） |
| ‘recall’ etc. | metrics.recall_score | suffixes apply as with ‘f1’（后缀适用于 ‘f1’） |
| ‘roc_auc’ | metrics.roc_auc_score | |
| Clustering（聚类） | ||
| ‘adjusted_mutual_info_score’ | metrics.adjusted_mutual_info_score |
| ‘adjusted_rand_score’ | metrics.adjusted_rand_score | |
| ‘completeness_score’ | metrics.completeness_score |
| ‘fowlkes_mallows_score’ | metrics.fowlkes_mallows_score | |
| ‘homogeneity_score’ | metrics.homogeneity_score |
| ‘mutual_info_score’ | metrics.mutual_info_score | |
| ‘normalized_mutual_info_score’ | metrics.normalized_mutual_info_score |
| ‘v_measure_score’ | metrics.v_measure_score | |
| Regression（回归） | ||
| ‘explained_variance’ | metrics.explained_variance_score |
| ‘neg_mean_absolute_error’ | metrics.mean_absolute_error | |
| ‘neg_mean_squared_error’ | metrics.mean_squared_error |
| ‘neg_mean_squared_log_error’ | metrics.mean_squared_log_error | |
| ‘neg_median_absolute_error’ | metrics.median_absolute_error |
| ‘r2’ | metrics.r2_score |
