最近写一个分类算法的时候发现的问题,分享给大家防踩坑。
问题:
使用holdout cross validation,即train_test_split函数,将数据集切分为80%-20%时,模型的分类准确率应该与
使用k-fold cross validation,即cross_val_score函数,将 cv值设置为5时,模型的分类准确率相当。
但是,在自己的数据集上,跑出了约97%(holdout cross validation)和90%(k-fold cross validation)的分类准确率。
错误之处:
使用train_test_split函数时,设置了random_state值。
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)
而cross_val_score函数里,没有打乱样本顺序,可以使用sklearn.utils.shuffle来打乱样本顺序。
或者,使用KFold也可以。
from sklearn.utils import shuffle
X_new, Y_new = shuffle(X, Y, random_state=42)
或:
from sklearn.model_selection import KFold, cross_val_score
kf = KFold(n_splits=5, shuffle=True, random_state=42)
accuracy = cross_val_score(YourModel, X, Y, cv=kf, scoring='accuracy')
算分享一个小错误给大家。