99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁(yè)精彩閱讀交叉驗(yàn)證:評(píng)估模型的泛化能力表現(xiàn)
交叉驗(yàn)證:評(píng)估模型的泛化能力表現(xiàn)
2020-06-16
收藏

注明:本文章所有代碼均來自scikit-learn官方網(wǎng)站

在實(shí)際情況中,如果一個(gè)模型要上線,數(shù)據(jù)分析員需要反復(fù)調(diào)試模型,以防止模型僅在已知數(shù)據(jù)集的表現(xiàn)較好,在未知數(shù)據(jù)集上的表現(xiàn)較差。即要確保模型的泛化能力,它指機(jī)器學(xué)習(xí)對(duì)新鮮樣本的適應(yīng)能力。只有保證模型的泛化能力,模型的構(gòu)建才有意義。因此,交叉驗(yàn)證在整個(gè)建模流程中顯得尤為重要。

如果不對(duì)數(shù)據(jù)集進(jìn)行處理,而僅是用含有標(biāo)簽的已知數(shù)據(jù)訓(xùn)練模型會(huì)得到很高分?jǐn)?shù),但卻失效于對(duì)未知數(shù)據(jù)的預(yù)測(cè),這種情況稱為“過擬合”。過擬合的出現(xiàn)表明模型未學(xué)習(xí)到數(shù)據(jù)中的本質(zhì)規(guī)律,造成模型的預(yù)測(cè)能力較差,因此,如何避免模型的過擬合,是一個(gè)值得關(guān)注且必須解決的問題。在scikit-learn中,可以使用訓(xùn)練集/測(cè)試集拆分和交叉驗(yàn)證的方法避免該種情況的出現(xiàn),如下圖所示,將數(shù)據(jù)集進(jìn)行訓(xùn)練集/測(cè)試集拆分,在訓(xùn)練集上進(jìn)行交叉驗(yàn)證后得到最佳模型參數(shù),從而在測(cè)試集上得到該模型的評(píng)分。

在開始分享之前,要搞清楚兩個(gè)概念,即過擬合欠擬合。其中,過擬合為模型在訓(xùn)練集的分?jǐn)?shù)較高,在測(cè)試集表現(xiàn)的得分較低。欠擬合是指模型擬合程度不高,數(shù)據(jù)距離擬合曲線較遠(yuǎn),或指模型沒有很好地捕捉到數(shù)據(jù)特征,不能夠很好地?cái)M合數(shù)據(jù)。相對(duì)過擬合,欠擬合現(xiàn)象并不經(jīng)常出現(xiàn)。很容易想到的思路是將模型的擬合能力限制在過擬合欠擬合之間,就會(huì)得到較好的模型預(yù)測(cè)結(jié)果,但訓(xùn)練集/測(cè)試集劃分和交叉驗(yàn)證只能幫助避免模型的過擬合而不是欠擬合

以sklearn中自帶的鶯尾花數(shù)據(jù)集(iris)為例進(jìn)行說明:

>>> import numpy as np
>>> from sklearn.model_selection import train_test_split
>>> from sklearn import datasets
>>> from sklearn import svm

>>> X, y = datasets.load_iris(return_X_y=True)
>>> X.shape, y.shape
((150, 4), (150,)) 

將數(shù)據(jù)集拆分為60%訓(xùn)練集,40%測(cè)試集,代碼如下:

>>> X_train, X_test, y_train, y_test = train_test_split(
...     X, y, test_size=0.4, random_state=0)

>>> X_train.shape, y_train.shape
((90, 4), (90,))
>>> X_test.shape, y_test.shape
((60, 4), (60,))

>>> clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
>>> clf.score(X_test, y_test)
0.96... 

盡管此時(shí)模型在測(cè)試集上的得分較高,表現(xiàn)較好,但不能說明找到了最佳的適用模型,譬如支持向量機(jī)的超參數(shù)C,上例中設(shè)置參數(shù)C=1,它在訓(xùn)練集上的表現(xiàn)可能很好,但仍不能避免過擬合現(xiàn)象的出現(xiàn),因?yàn)椴贿m宜的超參數(shù)設(shè)置可能導(dǎo)致模型對(duì)數(shù)據(jù)中主要規(guī)律的學(xué)習(xí),因此,會(huì)在測(cè)試集上出現(xiàn)過擬合的現(xiàn)象。為了避免上述情況,scikit-learn提供交叉驗(yàn)證法(cross-validation, CV)。需要注意的是:k值越大,即褶皺越多,從而越能減少由于偏差而導(dǎo)致的誤差,但訓(xùn)練集越大,會(huì)增加方差從而增加模型的誤差。同時(shí),越大的k值會(huì)導(dǎo)致時(shí)間成本的開銷較高。因此,k值的選取很重要,常見取值為k = 10。

下例中的cv值設(shè)置為5,進(jìn)行5次交叉驗(yàn)證迭代,得出5個(gè)模型評(píng)分:

>>> from sklearn.model_selection import cross_val_score
>>> clf = svm.SVC(kernel='linear', C=1)
>>> scores = cross_val_score(clf, X, y, cv=5)
>>> scores
array([0.96..., 1.  ..., 0.96..., 0.96..., 1.        ]) 

針對(duì)不同模型和實(shí)際場(chǎng)景,還可以調(diào)整交叉驗(yàn)證的評(píng)分策略,需要注意的是:在scikit-learn官方文檔中,指明了五種交叉驗(yàn)證方法(五種方法分別為:K-fold, Repeated K-fold, Leave One Out, Leave P Out, Random permutations cross-validation a.k.a. Shuffle & Split)的數(shù)據(jù)應(yīng)是服從獨(dú)立同分布假設(shè)的,在此基礎(chǔ)上,交叉驗(yàn)證的結(jié)果較好,但文檔中也說明,獨(dú)立同分布假設(shè)在現(xiàn)實(shí)中很難保證,因此,在應(yīng)用交叉驗(yàn)證方法時(shí),可適當(dāng)放寬假設(shè)條件,但可能會(huì)讓度一部分結(jié)果準(zhǔn)確性。

其中,K折交叉驗(yàn)證(K-fold cross-validation)是交叉驗(yàn)證大家族中最簡(jiǎn)單的數(shù)據(jù)拆分策略,即將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集,如下圖所示,其原理為:先將整個(gè)數(shù)據(jù)集分為k個(gè)折疊,用其中k-1個(gè)折疊作為訓(xùn)練集訓(xùn)練模型,用剩余的1個(gè)折疊作為驗(yàn)證集對(duì)模型進(jìn)行評(píng)分,并重復(fù)k次上述過程。該種方法的優(yōu)勢(shì)在于不需要額外拆分?jǐn)?shù)據(jù),以避免數(shù)據(jù)的浪費(fèi)和運(yùn)算成本的提高;可以促使模型從多方面學(xué)習(xí)樣本,避免模型陷入局部極值。

如下是對(duì)有4個(gè)樣本的2-折交叉驗(yàn)證示例,隨機(jī)將數(shù)據(jù)分為兩個(gè)折疊,并且迭代上述步驟兩次。其代碼如下:

>>> import numpy as np
>>> from sklearn.model_selection import KFold

>>> X = ["a", "b", "c", "d"]
>>> kf = KFold(n_splits=2)
>>> for train, test in kf.split(X):
...     print("%s %s" % (train, test))
[2 3] [0 1]
[0 1] [2 3] 

在scikit-learn中,還提供基于K折(KFold)法的進(jìn)一步交叉驗(yàn)證法,為重復(fù)的K折(Repeated K-Fold),即將K折重復(fù)n次,通過設(shè)置n_repeats參數(shù)進(jìn)行傳遞。其底層原理與KFold相一致,不同點(diǎn)在于重復(fù)的K折將K折重復(fù)n_repeats次。

選用的數(shù)據(jù)集與K折示例中的相同,設(shè)置n_repeats參數(shù)值為2,其代碼如下:

>>> import numpy as np
>>> from sklearn.model_selection import RepeatedKFold
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> random_state = 12883823
>>> rkf = RepeatedKFold(n_splits=2, n_repeats=2, random_state=random_state)
>>> for train, test in rkf.split(X):
...     print("%s %s" % (train, test))
...
[2 3] [0 1]
[0 1] [2 3]
[0 2] [1 3]
[1 3] [0 2]

比較出名的是留一法(Leave One Out),它是一個(gè)簡(jiǎn)單又有趣的交叉驗(yàn)證方法。其原理是出去一個(gè)樣本外,保留數(shù)據(jù)集中的所有樣本,從而將用于交叉驗(yàn)證的數(shù)據(jù)集(假設(shè)共有n個(gè)樣本)分為訓(xùn)練集(n-1個(gè)樣本)和測(cè)試集(1個(gè)樣本)的組合,使得對(duì)于一個(gè)包含n個(gè)樣本的數(shù)據(jù)集而言,可以有n個(gè)測(cè)試集對(duì)模型進(jìn)行評(píng)估。該方法的優(yōu)勢(shì)在于最大可能的保證用于模型訓(xùn)練的數(shù)據(jù)量,僅犧牲一個(gè)樣本作為測(cè)試集,對(duì)于大樣本而言是可以忽略不計(jì)的。

如下的示例中,仍延用上一個(gè)例子中的包含四個(gè)樣本的數(shù)據(jù),在每次迭代中,從四個(gè)樣本中分出一個(gè)樣本作為測(cè)試集。其代碼如下:

>>> from sklearn.model_selection import LeaveOneOut

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

提到留一法(Leave One Out)就不得不說留P法(Leave P Out),兩種方法的底層邏輯相同,只是留P法在留一方的基礎(chǔ)上為使用者提供更大的自由空間,使用者可以根據(jù)業(yè)務(wù)場(chǎng)景需要自定義要移除的樣本個(gè)數(shù),即作為測(cè)試集樣本的個(gè)數(shù)。需要注意的是:與留一法和KFold法不同的是,當(dāng)參數(shù)p>1時(shí),測(cè)試集可能會(huì)重疊。

在如下例子中,仍延用上文中包含四個(gè)樣本的例子,將參數(shù)p設(shè)置為2對(duì)數(shù)據(jù)集進(jìn)行拆分,在四個(gè)樣本的例子中,可以有6種數(shù)據(jù)拆分的方法。代碼如下:

>>> from sklearn.model_selection import LeavePOut

>>> X = np.ones(4)
>>> lpo = LeavePOut(p=2)
>>> for train, test in lpo.split(X):
...     print("%s %s" % (train, test))
[2 3] [0 1]
[1 3] [0 2]
[1 2] [0 3]
[0 3] [1 2]
[0 2] [1 3]
[0 1] [2 3] 

最后,想要分享的交叉驗(yàn)證方法是隨機(jī)排列交叉驗(yàn)證 a.k.a. Shuffle & Split(Random permutations cross-validation a.k.a. Shuffle & Split)。如下圖所示,其底層邏輯為:在用戶指定數(shù)量的基礎(chǔ)上,利用ShuffleSplit迭代器生成獨(dú)立的訓(xùn)練集/測(cè)試集劃分。其步驟是先打亂樣本,再將樣本分為不同的訓(xùn)練集和測(cè)試集的組合。由于該中方法的隨機(jī)性較強(qiáng),因此可以設(shè)置隨機(jī)數(shù)種子保證每次數(shù)據(jù)拆分的結(jié)果相同,以得到相同的交叉驗(yàn)證結(jié)果,該參數(shù)為random_state。

該例子是用np.arange(10)生成從0-9的10個(gè)數(shù),n_splits參數(shù)限制數(shù)據(jù)集劃分的組數(shù),test_size參數(shù)限制用于交叉驗(yàn)證的測(cè)試集大小,其代碼示例如下:

>>> from sklearn.model_selection import ShuffleSplit
>>> X = np.arange(10)
>>> ss = ShuffleSplit(n_splits=5, test_size=0.25, random_state=0)
>>> for train_index, test_index in ss.split(X):
...     print("%s %s" % (train_index, test_index))
[9 1 6 7 3 0 5] [2 8 4]
[2 9 8 0 6 7 4] [3 5 1]
[4 5 1 0 6 9 7] [2 3 8]
[2 7 5 8 0 3 4] [6 1 9]
[4 1 0 6 8 9 3] [5 2 7]

本部分新的主要分享了最基本的交叉驗(yàn)證的調(diào)用,和五個(gè)不同的交叉驗(yàn)證方法,分別為K-折疊(K-Fold),重復(fù)的K-折疊(Repeated K-Fold),留一法(Leave One Out),留P法(Leave P Out),隨機(jī)排列交叉驗(yàn)證a.k.a. Shuffle & Split(Random permutations cross-validation a.k.a. Shuffle & Split),從而,更加細(xì)化的了解交叉驗(yàn)證方法。

不同的交叉驗(yàn)證方法針對(duì)的場(chǎng)景不同,因次,需要根據(jù)不同的實(shí)際情況,選擇不同的方法對(duì)數(shù)據(jù)進(jìn)行交叉驗(yàn)證,以提高模型的泛化能力和避免過擬合情況的出現(xiàn)。在后面的內(nèi)容中,將繼續(xù)分享交叉驗(yàn)證部分的學(xué)習(xí)心得。

數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼

若不方便掃碼,搜微信號(hào):CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個(gè)參數(shù)驗(yàn)證碼對(duì)象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個(gè)配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺(tái)檢測(cè)極驗(yàn)服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時(shí)表示是新驗(yàn)證碼的宕機(jī) product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請(qǐng)參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計(jì)時(shí)完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請(qǐng)輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請(qǐng)輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }