有监督学习之交叉验证

在有监督的机器学习算法中,为考察model的generalization ability,我们需要对model进行评估。为防止过拟合,不可以使用训练集数据进行模型评估,此时可以采取cross validation方法:将原始数据分为训练集、测试机

常见cross validation:

  • Handout validation 留出法
  • K-Fold validation k折交叉验证
  • Leave-one-out 留一法

一、我们先介绍handout:该方法为k-fold的特殊情况:

思想:

  • 将原始数据分为训练集、测试集,常见比例为0.8:0.2
  • 使用训练集训练模型
  • 使用测试集来评估模型
import numpy as np
from sklearn.linear_model import LogisticRegression

np.random.seed(8)
shuffled_index = np.random.permutation(admissions.index)
shuffled_admissions = admissions.loc[shuffled_index]
train = shuffled_admissions.iloc[0:515]
test = shuffled_admissions.iloc[515:len(shuffled_admissions)]

#make regression model using training data.
model=LogisticRegression()
model.fit(train[['gpa']],train['actual_label'])
test['predicted_label']=model.predict(test[['gpa']])

accuracy=len(test[(test['predicted_label']==test['actual_label'])])/len(test)
print(accuracy)

ROC曲线:

import matplotlib.pyplot as plt
from sklearn import metrics

probabilities = model.predict_proba(test[["gpa"]])
fpr, tpr, thresholds = metrics.roc_curve(test["actual_label"], probabilities[:,1])
plt.plot(fpr, tpr)

AUC:
在实际应用中,我们更关心的时TPR,即正确预测到正例的比率。为了对该模型进行更有效的评估,可以计算roc曲线下部的面积,即AUC,当auc越接近1时,我们说该模型的效果越好。

from sklearn.metrics import roc_auc_score

auc_score=roc_auc_score(test['actual_label'],probabilities[:,1])
print(auc_score)

二、K-Fold

原理:将原始数据分为k分,k-1份作为训练集,剩下的1份作为测试集,一次迭代;

下面给出简单的源码:
分割数据:

import pandas as pd

admissions = pd.read_csv("admissions.csv")
admissions["actual_label"] = admissions["admit"]
admissions = admissions.drop("admit", axis=1)

shuffled_index = np.random.permutation(admissions.index)
shuffled_admissions = admissions.loc[shuffled_index]
admissions = shuffled_admissions.reset_index()

admissions.ix[0:128,'fold']=1  #将0-128 row作为第1次iteration
admissions.ix[129:257,'fold']=2
admissions.ix[258:386,'fold']=3
admissions.ix[387:514,'fold']=4
admissions.ix[515:644,'fold']=5
admissions['fold']=admissions['fold'].astype(int)
print(admissions.head())
print(admissions.tail())

生成模型,对每个模型进行评估,最后计算平均准确率accuracy:

import numpy as np
fold_ids = [1,2,3,4,5]
lr=LogisticRegression()
def train_and_test(admissions,fold_ids):
    accuracies=[]
    for i in fold_ids:
        train_iteration=admissions[admissions['fold']!=i]
        test_iteration=admissions[admissions['fold']==i]
        # make model using training data set.
        lr.fit(train_iteration[['gpa']],train_iteration['actual_label'])
        #predicting test data set.
        test_iteration['labels']=lr.predict(test_iteration[['gpa']])
        iteration_accuracy=len(test_iteration[test_iteration['labels']==test_iteration['actual_label']])/len(test_iteration)
        accuracies.append(iteration_accuracy)
    return accuracies
accuracies=train_and_test(admissions,fold_ids)
print(accuracies)
average_accuracy=sum(accuracies)/len(fold_ids)
print(average_accuracy)

python中的sklearn库已经封装好了该方法,使用sklearn库完成:

from sklearn.cross_validation import KFold
from sklearn.cross_validation import cross_val_score
from sklearn.linear_model import LogisticRegression

admissions = pd.read_csv("admissions.csv")
admissions["actual_label"] = admissions["admit"]
admissions = admissions.drop("admit", axis=1)
kf=KFold(len(admissions),5,shuffle=True,random_state=8)

lr=LogisticRegression()
accuracies=cross_val_score(lr,admissions[['gpa']],admissions['actual_label'],scoring='accuracy',cv=kf)
average_accuracy=sum(accuracies)/len(accuracies)
print(accuracies)
print(average_accuracy)

注意:初始化KFold类并不会生成模型、预测数据,仅仅是对数据做了分组。
在进行线性/逻辑回归时常常使用交叉验证来评估模型。

如果是对于单变量模型--即特征只有一个,往往采用handout方法;
多余多变量模型--具有多个特征列,往往会采用kfold方法。

参考地址:https://zh.wikipedia.org/wiki/%E4%BA%A4%E5%8F%89%E9%A9%97%E8%AD%89

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,793评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,567评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,342评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,825评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,814评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,680评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,033评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,687评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,175评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,668评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,775评论 1 332
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,419评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,020评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,978评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,206评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,092评论 2 351
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,510评论 2 343

推荐阅读更多精彩内容