Python 没有数据洗牌的分类器堆栈的交叉验证返回垃圾
作为后续行动, 我试图交叉验证一堆模型 手册 首先,我手动执行所有步骤,以确保一切按预期进行:Python 没有数据洗牌的分类器堆栈的交叉验证返回垃圾,python,scikit-learn,cross-validation,Python,Scikit Learn,Cross Validation,作为后续行动, 我试图交叉验证一堆模型 手册 首先,我手动执行所有步骤,以确保一切按预期进行: from sklearn.datasets import make_classification from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier from sklearn.naive_ba
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import roc_auc_score
X, y = make_classification(n_samples=10000, n_features=40,
n_clusters_per_class=10,
n_informative=25,
random_state=12, shuffle=False)
logit = LogisticRegression(solver="saga",random_state=12).fit(X,y)
logit_yhat = logit.predict_proba(X)[:,1]
print("logit",roc_auc_score(y, logit_yhat))
randf = RandomForestClassifier(n_estimators=10,max_depth=5,min_samples_split=10, random_state=12).fit(X,y)
randf_yhat = randf.predict_proba(X)[:,1]
print("randf",roc_auc_score(y, randf_yhat))
gaunb = GaussianNB().fit(X,y)
gaunb_yhat = gaunb.predict_proba(X)[:,1]
print("gaunb",roc_auc_score(y, gaunb_yhat))
gbcdt = GradientBoostingClassifier(random_state=12).fit(X,y)
gbcdt_yhat = gbcdt.predict_proba(X)[:,1]
print("gbcdt",roc_auc_score(y, gbcdt_yhat))
scores = np.transpose(np.array((logit_yhat, randf_yhat, gaunb_yhat, gbcdt_yhat)))
aggregator = LogisticRegression(solver="saga",random_state=12).fit(scores, y)
aggregator_yhat = aggregator.predict_proba(scores)[:,1]
print("aggregator",aggregator.coef_,roc_auc_score(y, aggregator_yhat))
这张照片是:
logit 0.6913163859713081
randf 0.7871255096874669
gaunb 0.7032834038916749
gbcdt 0.8527915275109933
aggregator [[-3.95961856 5.70858186 -2.45036885 13.3983472 ]] 0.8799606190093959
pipe [[-3.95961856 5.70858186 -2.45036885 13.3983472 ]] 0.8799606190093959
到目前为止还不错
使用管道
现在,我创建一个管道并检查它是否执行相同的操作:
from sklearn.base import BaseEstimator, TransformerMixin, clone
class PredictProbaTransformer(BaseEstimator, TransformerMixin):
def __init__(self, clf):
self.clf = clf
def transform(self, X):
"Return predict_proba(X)."
print("transform")
return self.clf.predict_proba(X)[:,[1]]
def fit_transform(self, X, y=None, **fit_params):
print("fit_transform")
return self.clf.fit(X, y, **fit_params).predict_proba(X)[:,[1]]
from sklearn.pipeline import Pipeline, FeatureUnion
pipe = Pipeline([("stack",FeatureUnion([
("logit",PredictProbaTransformer(clone(logit))),
("randf",PredictProbaTransformer(clone(randf))),
("gaunb",PredictProbaTransformer(clone(gaunb))),
("gbcdt",PredictProbaTransformer(clone(gbcdt))),
])), ("aggregator",LogisticRegression(solver="saga",random_state=12))]).fit(X,y)
pipe_yhat = pipe.predict_proba(X)[:,1]
print("pipe",pipe.named_steps["aggregator"].coef_,roc_auc_score(y, pipe_yhat))
这张照片是:
logit 0.6913163859713081
randf 0.7871255096874669
gaunb 0.7032834038916749
gbcdt 0.8527915275109933
aggregator [[-3.95961856 5.70858186 -2.45036885 13.3983472 ]] 0.8799606190093959
pipe [[-3.95961856 5.70858186 -2.45036885 13.3983472 ]] 0.8799606190093959
与“手册”部分中的聚合器
行相同-很好
交叉验证
当我试图交叉验证管道时,我得到了一些奇怪的结果:
from sklearn.model_selection import cross_validate
pipe_scores = pd.DataFrame(cross_validate(
pipe, X=X, y=y, return_train_score=True, cv=10, scoring="roc_auc"))
打印10次(因为cv=10
)这12行:
fit_transform --- 4 times
transform --- 8 times
因为它为每个训练阶段调用fit_transform
4次(针对stack
中的4个分类器),然后为测试数据中的相同4个分类器调用transform
4次,然后对训练数据再调用4次(即使它在训练阶段已经这样做了)
最重要的:pipe\u分数。descripe()
是
fit_time score_time test_score train_score
count 10.000000 10.000000 10.000000 10.000000
mean 3.329516 0.006074 0.482034 0.895046
std 0.068609 0.000594 0.081499 0.006657
min 3.212703 0.005362 0.299673 0.886333
25% 3.276795 0.005602 0.451310 0.891166
50% 3.350762 0.006122 0.504630 0.892991
75% 3.370433 0.006331 0.519399 0.898570
max 3.425937 0.007302 0.586310 0.906820
奇怪的是,所有的train\u分数都超过了我在考试中得到的88%
手动运行
然而,为什么测试分数看起来是完全随机的强>
(平均值和中值约为50%,对应于“抛硬币”分类器)
避免这种奇怪现象的解决方法是通过
- 将
shuffle=True
(而不是False
)传递给
- 或传递(而不是
10
)到
那么分数是多少
fit_time score_time test_score train_score
count 10.000000 10.000000 10.000000 10.000000
mean 3.400829 0.005355 0.774932 0.887762
std 0.125579 0.000444 0.011324 0.003578
min 3.211147 0.004896 0.763047 0.883219
25% 3.333121 0.005074 0.767166 0.884810
50% 3.376660 0.005153 0.772864 0.886907
75% 3.484209 0.005516 0.781219 0.890338
max 3.602676 0.006194 0.799907 0.893941
PS.shuffle
in同时影响列和行,而in只影响行,不影响列。
只有行洗牌很重要:如果我按
X = X[:, np.random.permutation(X.shape[1])]
之后,我得到了相同和不明显的不同,并且返回随机测试分数
至于为什么所有训练分数
都高于88%,这是因为交叉验证时,你训练的训练数据为0.9。因此,您的模型可以(过度)更适合此数据。至于为什么在不洗牌的情况下,test\u分数
会这么小,我认为这是因为在不洗牌的情况下交叉验证时,并非所有(10个)聚类都出现在训练数据集中(占所有数据的0.9),因为在数据集中,它们也没有洗牌。至于为什么它会打印变换8次,请参阅。对于测试分数,在上述所有示例中(无交叉验证),您是在相同的数据上进行培训和评分(X
,y
)。交叉验证中,列车和试验数据不同。尝试使用不同的列车测试数据作为上限代码。也许可以试着调整超链接-params@VivekKumar:谢谢你的链接。当我手动调用KFold
时,我得到了相同的结果,我认为你对test\u score
s的解释站不住脚(但我可能误解了你)。我不确定“当我手动调用KFold时,我得到了相同的结果”
。你在测试褶皱上也得到同样的结果(大约88%)吗?你能显示那个代码吗?@VivekKumar:是的,测试
和训练
的结果相同,来自训练索引,skf中的测试索引。分割(X,y):…
和交叉验证
训练分数
听起来似乎合理,测试分数
没有那么多-它们是完全随机的。洗牌是如何对行为产生如此巨大的影响的?!这是因为shuffle
与shuffling功能相关,而不是make_classification
中的样本。这就是为什么它会产生如此巨大的影响。诸如RandomForestClassifier
和GradientBoostingClassifier
之类的模型对功能顺序非常敏感。抱歉,修复了答案GradientBoostingClassifier
实际上尝试选择尽可能最好的分割,因此不取决于它们的顺序。事实上,减少每个类的n个簇数并增加cv
会得到合理的测试分数
。谢谢