溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務條款》

使用sklearn的cross_val_score進行交叉驗證實例

發(fā)布時間:2020-09-18 18:34:25 來源:腳本之家 閱讀:230 作者:不論如何未來很美好 欄目:開發(fā)技術

在構建模型時,調參是極為重要的一個步驟,因為只有選擇最佳的參數(shù)才能構建一個最優(yōu)的模型。但是應該如何確定參數(shù)的值呢?所以這里記錄一下選擇參數(shù)的方法,以便后期復習以及分享。

(除了貝葉斯優(yōu)化等方法)其它簡單的驗證有兩種方法:

1、通過經(jīng)常使用某個模型的經(jīng)驗和高超的數(shù)學知識。

2、通過交叉驗證的方法,逐個來驗證。

很顯然我是屬于后者所以我需要在這里記錄一下

sklearn 的 cross_val_score:

我使用是cross_val_score方法,在sklearn中可以使用這個方法。交叉驗證的原理不好表述下面隨手畫了一個圖:

使用sklearn的cross_val_score進行交叉驗證實例

(我都沒見過這么丑的圖)簡單說下,比如上面,我們將數(shù)據(jù)集分為10折,做一次交叉驗證,實際上它是計算了十次,將每一折都當做一次測試集,其余九折當做訓練集,這樣循環(huán)十次。通過傳入的模型,訓練十次,最后將十次結果求平均值。將每個數(shù)據(jù)集都算一次

交叉驗證優(yōu)點:

1:交叉驗證用于評估模型的預測性能,尤其是訓練好的模型在新數(shù)據(jù)上的表現(xiàn),可以在一定程度上減小過擬合。

2:還可以從有限的數(shù)據(jù)中獲取盡可能多的有效信息。

我們?nèi)绾卫盟鼇磉x擇參數(shù)呢?

我們可以給它加上循環(huán),通過循環(huán)不斷的改變參數(shù),再利用交叉驗證來評估不同參數(shù)模型的能力。最終選擇能力最優(yōu)的模型。

下面通過一個簡單的實例來說明:(iris鳶尾花)

from sklearn import datasets #自帶數(shù)據(jù)集
from sklearn.model_selection import train_test_split,cross_val_score #劃分數(shù)據(jù) 交叉驗證
from sklearn.neighbors import KNeighborsClassifier #一個簡單的模型,只有K一個參數(shù),類似K-means
import matplotlib.pyplot as plt
iris = datasets.load_iris() #加載sklearn自帶的數(shù)據(jù)集
X = iris.data #這是數(shù)據(jù)
y = iris.target #這是每個數(shù)據(jù)所對應的標簽
train_X,test_X,train_y,test_y = train_test_split(X,y,test_size=1/3,random_state=3) #這里劃分數(shù)據(jù)以1/3的來劃分 訓練集訓練結果 測試集測試結果
k_range = range(1,31)
cv_scores = [] #用來放每個模型的結果值
for n in k_range:
 knn = KNeighborsClassifier(n) #knn模型,這里一個超參數(shù)可以做預測,當多個超參數(shù)時需要使用另一種方法GridSearchCV
 scores = cross_val_score(knn,train_X,train_y,cv=10,scoring='accuracy') #cv:選擇每次測試折數(shù) accuracy:評價指標是準確度,可以省略使用默認值,具體使用參考下面。
 cv_scores.append(scores.mean())
plt.plot(k_range,cv_scores)
plt.xlabel('K')
plt.ylabel('Accuracy') #通過圖像選擇最好的參數(shù)
plt.show()
best_knn = KNeighborsClassifier(n_neighbors=3) # 選擇最優(yōu)的K=3傳入模型
best_knn.fit(train_X,train_y) #訓練模型
print(best_knn.score(test_X,test_y)) #看看評分

最后得分0.94

使用sklearn的cross_val_score進行交叉驗證實例

關于 cross_val_score 的 scoring 參數(shù)的選擇,通過查看官方文檔后可以發(fā)現(xiàn)相關指標的選擇可以在這里找到:文檔。

這應該是比較簡單的一個例子了,上面的注釋也比較清楚,如果我表達不清楚可以問我。

補充拓展:sklearn分類算法匯總

廢話不多說,上代碼吧!

import os
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn import preprocessing
from sklearn import neighbors
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn import svm
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedKFold
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from time import time
from sklearn.naive_bayes import MultinomialNB
from sklearn import tree
from sklearn.ensemble import GradientBoostingClassifier

#讀取sklearn自帶的數(shù)據(jù)集(鳶尾花)
def getData_1():
 iris = datasets.load_iris()
 X = iris.data #樣本特征矩陣,150*4矩陣,每行一個樣本,每個樣本維度是4
 y = iris.target #樣本類別矩陣,150維行向量,每個元素代表一個樣本的類別
#讀取本地excel表格內(nèi)的數(shù)據(jù)集(抽取每類60%樣本組成訓練集,剩余樣本組成測試集)
#返回一個元祖,其內(nèi)有4個元素(類型均為numpy.ndarray):
#(1)歸一化后的訓練集矩陣,每行為一個訓練樣本,矩陣行數(shù)=訓練樣本總數(shù),矩陣列數(shù)=每個訓練樣本的特征數(shù)
#(2)每個訓練樣本的類標
#(3)歸一化后的測試集矩陣,每行為一個測試樣本,矩陣行數(shù)=測試樣本總數(shù),矩陣列數(shù)=每個測試樣本的特征數(shù)
#(4)每個測試樣本的類標
#【注】歸一化采用“最大最小值”方法。
def getData_2():
 fPath = 'D:\分類算法\binary_classify_data.txt'
 if os.path.exists(fPath):
  data = pd.read_csv(fPath,header=None,skiprows=1,names=['class0','pixel0','pixel1','pixel2','pixel3'])
  X_train1, X_test1, y_train1, y_test1 = train_test_split(data, data['class0'], test_size = 0.4, random_state = 0)
  min_max_scaler = preprocessing.MinMaxScaler() #歸一化
  X_train_minmax = min_max_scaler.fit_transform(np.array(X_train1))
  X_test_minmax = min_max_scaler.fit_transform(np.array(X_test1))
  return (X_train_minmax, np.array(y_train1), X_test_minmax, np.array(y_test1))
 else:
  print ('No such file or directory!')

#讀取本地excel表格內(nèi)的數(shù)據(jù)集(每類隨機生成K個訓練集和測試集的組合)
#【K的含義】假設一共有1000個樣本,K取10,那么就將這1000個樣本切分10份(一份100個),那么就產(chǎn)生了10個測試集
#對于每一份的測試集,剩余900個樣本即作為訓練集
#結果返回一個字典:鍵為集合編號(1train, 1trainclass, 1test, 1testclass, 2train, 2trainclass, 2test, 2testclass...),值為數(shù)據(jù)
#其中1train和1test為隨機生成的第一組訓練集和測試集(1trainclass和1testclass為訓練樣本類別和測試樣本類別),其他以此類推
def getData_3():
 fPath = 'D:\\分類算法\\binary_classify_data.txt'
 if os.path.exists(fPath):
  #讀取csv文件內(nèi)的數(shù)據(jù),
  dataMatrix = np.array(pd.read_csv(fPath,header=None,skiprows=1,names=['class0','pixel0','pixel1','pixel2','pixel3']))
  #獲取每個樣本的特征以及類標
  rowNum, colNum = dataMatrix.shape[0], dataMatrix.shape[1]
  sampleData = []
  sampleClass = []
  for i in range(0, rowNum):
   tempList = list(dataMatrix[i,:])
   sampleClass.append(tempList[0])
   sampleData.append(tempList[1:])
  sampleM = np.array(sampleData) #二維矩陣,一行是一個樣本,行數(shù)=樣本總數(shù),列數(shù)=樣本特征數(shù)
  classM = np.array(sampleClass) #一維列向量,每個元素對應每個樣本所屬類別
  #調用StratifiedKFold方法生成訓練集和測試集
  skf = StratifiedKFold(n_splits = 10)
  setDict = {} #創(chuàng)建字典,用于存儲生成的訓練集和測試集
  count = 1
  for trainI, testI in skf.split(sampleM, classM):
   trainSTemp = [] #用于存儲當前循環(huán)抽取出的訓練樣本數(shù)據(jù)
   trainCTemp = [] #用于存儲當前循環(huán)抽取出的訓練樣本類標
   testSTemp = [] #用于存儲當前循環(huán)抽取出的測試樣本數(shù)據(jù)
   testCTemp = [] #用于存儲當前循環(huán)抽取出的測試樣本類標
   #生成訓練集
   trainIndex = list(trainI)
   for t1 in range(0, len(trainIndex)):
    trainNum = trainIndex[t1]
    trainSTemp.append(list(sampleM[trainNum, :]))
    trainCTemp.append(list(classM)[trainNum])
   setDict[str(count) + 'train'] = np.array(trainSTemp)
   setDict[str(count) + 'trainclass'] = np.array(trainCTemp)
   #生成測試集
   testIndex = list(testI)
   for t2 in range(0, len(testIndex)):
    testNum = testIndex[t2]
    testSTemp.append(list(sampleM[testNum, :]))
    testCTemp.append(list(classM)[testNum])
   setDict[str(count) + 'test'] = np.array(testSTemp)
   setDict[str(count) + 'testclass'] = np.array(testCTemp)
   count += 1
  return setDict
 else:
  print ('No such file or directory!')
#K近鄰(K Nearest Neighbor)
def KNN():
 clf = neighbors.KNeighborsClassifier()
 return clf

#線性鑒別分析(Linear Discriminant Analysis)
def LDA():
 clf = LinearDiscriminantAnalysis()
 return clf

#支持向量機(Support Vector Machine)
def SVM():
 clf = svm.SVC()
 return clf

#邏輯回歸(Logistic Regression)
def LR():
 clf = LogisticRegression()
 return clf

#隨機森林決策樹(Random Forest)
def RF():
 clf = RandomForestClassifier()
 return clf

#多項式樸素貝葉斯分類器
def native_bayes_classifier():
 clf = MultinomialNB(alpha = 0.01)
 return clf

#決策樹
def decision_tree_classifier():
 clf = tree.DecisionTreeClassifier()
 return clf

#GBDT
def gradient_boosting_classifier():
 clf = GradientBoostingClassifier(n_estimators = 200)
 return clf

#計算識別率
def getRecognitionRate(testPre, testClass):
 testNum = len(testPre)
 rightNum = 0
 for i in range(0, testNum):
  if testClass[i] == testPre[i]:
   rightNum += 1
 return float(rightNum) / float(testNum)

#report函數(shù),將調參的詳細結果存儲到本地F盤(路徑可自行修改,其中n_top是指定輸出前多少個最優(yōu)參數(shù)組合以及該組合的模型得分)
def report(results, n_top=5488):
 f = open('F:/grid_search_rf.txt', 'w')
 for i in range(1, n_top + 1):
  candidates = np.flatnonzero(results['rank_test_score'] == i)
  for candidate in candidates:
   f.write("Model with rank: {0}".format(i) + '\n')
   f.write("Mean validation score: {0:.3f} (std: {1:.3f})".format(
     results['mean_test_score'][candidate],
     results['std_test_score'][candidate]) + '\n')
   f.write("Parameters: {0}".format(results['params'][candidate]) + '\n')
   f.write("\n")
 f.close()

#自動調參(以隨機森林為例)
def selectRFParam():
 clf_RF = RF()
 param_grid = {"max_depth": [3,15],
     "min_samples_split": [3, 5, 10],
     "min_samples_leaf": [3, 5, 10],
     "bootstrap": [True, False],
     "criterion": ["gini", "entropy"],
     "n_estimators": range(10,50,10)}
     # "class_weight": [{0:1,1:13.24503311,2:1.315789474,3:12.42236025,4:8.163265306,5:31.25,6:4.77326969,7:19.41747573}],
     # "max_features": range(3,10),
     # "warm_start": [True, False],
     # "oob_score": [True, False],
     # "verbose": [True, False]}
 grid_search = GridSearchCV(clf_RF, param_grid=param_grid, n_jobs=4)
 start = time()
 T = getData_2() #獲取數(shù)據(jù)集
 grid_search.fit(T[0], T[1]) #傳入訓練集矩陣和訓練樣本類標
 print("GridSearchCV took %.2f seconds for %d candidate parameter settings."
   % (time() - start, len(grid_search.cv_results_['params'])))
 report(grid_search.cv_results_)

#“主”函數(shù)1(KFold方法生成K個訓練集和測試集,即數(shù)據(jù)集采用getData_3()函數(shù)獲取,計算這K個組合的平均識別率)
def totalAlgorithm_1():
 #獲取各個分類器
 clf_KNN = KNN()
 clf_LDA = LDA()
 clf_SVM = SVM()
 clf_LR = LR()
 clf_RF = RF()
 clf_NBC = native_bayes_classifier()
 clf_DTC = decision_tree_classifier()
 clf_GBDT = gradient_boosting_classifier()
 #獲取訓練集和測試集
 setDict = getData_3()
 setNums = len(setDict.keys()) / 4 #一共生成了setNums個訓練集和setNums個測試集,它們之間是一一對應關系
 #定義變量,用于將每個分類器的所有識別率累加
 KNN_rate = 0.0
 LDA_rate = 0.0
 SVM_rate = 0.0
 LR_rate = 0.0
 RF_rate = 0.0
 NBC_rate = 0.0
 DTC_rate = 0.0
 GBDT_rate = 0.0
 for i in range(1, int(setNums + 1)):
  trainMatrix = setDict[str(i) + 'train']
  trainClass = setDict[str(i) + 'trainclass']
  testMatrix = setDict[str(i) + 'test']
  testClass = setDict[str(i) + 'testclass']
  #輸入訓練樣本
  clf_KNN.fit(trainMatrix, trainClass)
  clf_LDA.fit(trainMatrix, trainClass)
  clf_SVM.fit(trainMatrix, trainClass)
  clf_LR.fit(trainMatrix, trainClass)
  clf_RF.fit(trainMatrix, trainClass)
  clf_NBC.fit(trainMatrix, trainClass)
  clf_DTC.fit(trainMatrix, trainClass)
  clf_GBDT.fit(trainMatrix, trainClass)
  #計算識別率
  KNN_rate += getRecognitionRate(clf_KNN.predict(testMatrix), testClass)
  LDA_rate += getRecognitionRate(clf_LDA.predict(testMatrix), testClass)
  SVM_rate += getRecognitionRate(clf_SVM.predict(testMatrix), testClass)
  LR_rate += getRecognitionRate(clf_LR.predict(testMatrix), testClass)
  RF_rate += getRecognitionRate(clf_RF.predict(testMatrix), testClass)
  NBC_rate += getRecognitionRate(clf_NBC.predict(testMatrix), testClass)
  DTC_rate += getRecognitionRate(clf_DTC.predict(testMatrix), testClass)
  GBDT_rate += getRecognitionRate(clf_GBDT.predict(testMatrix), testClass)
 #輸出各個分類器的平均識別率(K個訓練集測試集,計算平均)
 print
 print
 print
 print('K Nearest Neighbor mean recognition rate: ', KNN_rate / float(setNums))
 print('Linear Discriminant Analysis mean recognition rate: ', LDA_rate / float(setNums))
 print('Support Vector Machine mean recognition rate: ', SVM_rate / float(setNums))
 print('Logistic Regression mean recognition rate: ', LR_rate / float(setNums))
 print('Random Forest mean recognition rate: ', RF_rate / float(setNums))
 print('Native Bayes Classifier mean recognition rate: ', NBC_rate / float(setNums))
 print('Decision Tree Classifier mean recognition rate: ', DTC_rate / float(setNums))
 print('Gradient Boosting Decision Tree mean recognition rate: ', GBDT_rate / float(setNums))

#“主”函數(shù)2(每類前x%作為訓練集,剩余作為測試集,即數(shù)據(jù)集用getData_2()方法獲取,計算識別率)
def totalAlgorithm_2():
 #獲取各個分類器
 clf_KNN = KNN()
 clf_LDA = LDA()
 clf_SVM = SVM()
 clf_LR = LR()
 clf_RF = RF()
 clf_NBC = native_bayes_classifier()
 clf_DTC = decision_tree_classifier()
 clf_GBDT = gradient_boosting_classifier()
 #獲取訓練集和測試集
 T = getData_2()
 trainMatrix, trainClass, testMatrix, testClass = T[0], T[1], T[2], T[3]
 #輸入訓練樣本
 clf_KNN.fit(trainMatrix, trainClass)
 clf_LDA.fit(trainMatrix, trainClass)
 clf_SVM.fit(trainMatrix, trainClass)
 clf_LR.fit(trainMatrix, trainClass)
 clf_RF.fit(trainMatrix, trainClass)
 clf_NBC.fit(trainMatrix, trainClass)
 clf_DTC.fit(trainMatrix, trainClass)
 clf_GBDT.fit(trainMatrix, trainClass)
 #輸出各個分類器的識別率
 print('K Nearest Neighbor recognition rate: ', getRecognitionRate(clf_KNN.predict(testMatrix), testClass))
 print('Linear Discriminant Analysis recognition rate: ', getRecognitionRate(clf_LDA.predict(testMatrix), testClass))
 print('Support Vector Machine recognition rate: ', getRecognitionRate(clf_SVM.predict(testMatrix), testClass))
 print('Logistic Regression recognition rate: ', getRecognitionRate(clf_LR.predict(testMatrix), testClass))
 print('Random Forest recognition rate: ', getRecognitionRate(clf_RF.predict(testMatrix), testClass))
 print('Native Bayes Classifier recognition rate: ', getRecognitionRate(clf_NBC.predict(testMatrix), testClass))
 print('Decision Tree Classifier recognition rate: ', getRecognitionRate(clf_DTC.predict(testMatrix), testClass))
 print('Gradient Boosting Decision Tree recognition rate: ', getRecognitionRate(clf_GBDT.predict(testMatrix), testClass))

if __name__ == '__main__':
 print('K個訓練集和測試集的平均識別率')
 totalAlgorithm_1()
 print('每類前x%訓練,剩余測試,各個模型的識別率')
 totalAlgorithm_2()
 selectRFParam()
 print('隨機森林參數(shù)調優(yōu)完成!')

以上都是個人理解,如果有問題還望指出。希望大家多多支持億速云!

向AI問一下細節(jié)

免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權內(nèi)容。

AI