解决几乎任何机器学习问题 -- 学习笔记（交叉检验）

书籍名：Approaching (Almost) Any Machine Learning Problem-解决几乎任何机器学习问题
此专栏记录学习过程，内容包含对这本书的翻译和理解过程

交叉检验

在上一章中,我们没有建立任何模型。原因很简单,在创建任何一种机器学习模型之前,我们必须知道什么是交叉检验,以及如何根据数据集选择最佳交叉检验数据集。那么,什么是交叉检验,我们为什么要关注它?

关于什么是交叉检验,我们可以找到多种定义。我的定义只有一句话:交叉检验是构建机器学习模型过程中的一个步骤,它可以帮助我们确保模型准确拟合数据,同时确保我们不会过拟合。

但这又引出了另一个词:过拟合。

要解释过拟合,我认为最好先看一个数据集。有一个相当有名的红酒质量数据集( red wine quality dataset )。这个数据集有 11 个不同的特征,这些特征决定了红酒的质量。

这些属性包括:

• 固定酸度( fixed acidity )
• 挥发性酸度( volatile acidity )
• 柠檬酸( citric acid )
• 残留糖( residual sugar )
• 氯化物( chlorides )
• 游离二氧化硫( free sulfur dioxide )
• 二氧化硫总量( total sulfur dioxide )
• 密度( density )
• PH 值( pH )
• 硫酸盐(sulphates )
• 酒精( alcohol )
  根据这些不同特征,我们需要预测红葡萄酒的质量,质量值介于 0 到 10 之间。让我们看看这些数据是怎样的。

import pandas as pd
df = pd.read_csv("winequality-red.csv")

图 1: 红葡萄酒质量数据集简单展示

我们可以将这个问题视为分类问题,也可以视为回归问题。为了简单起见,我们选择分类。然而,这个数据集值包含 6 种质量值。因此,我们将所有质量值映射到 0 到 5 之间。

# 一个映射字典,用于将质量值从 0 到 5 进行映射
quality_mapping = {
					3: 0,
					4: 1,
					5: 2,
					6: 3,
					7: 4,
					8: 5
					}
# 你可以使用 pandas 的 map 函数以及任何字典,
# 来转换给定列中的值为字典中的值
df.loc[:, "quality"] = df.quality.map(quality_mapping)

当我们看大这些数据并将其视为一个分类问题时,我们脑海中会浮现出很多可以应用的算法,也许,我们可以使用神经网络。但是,如果我们从一开始就深入研究神经网络,那就有点牵强了。所以,让我们从简单的、我们也能可视化的东西开始:决策树。

在开始了解什么是过拟合之前,我们先将数据分为两部分。这个数据集有 1599 个样本。我们保留 1000 个样本用于训练, 599 个样本作为一个单独的集合。

以下代码可以轻松完成划分:

# 使用 frac=1 的 sample 方法来打乱 dataframe
# 由于打乱后索引会改变,所以我们重置索引
df = df.sample(frac=1).reset_index(drop=True)
# 选取前 1000 行作为训练数据
df_train = df.head(1000)
# 选取最后的 599 行作为测试/验证数据
df_test = df.tail(599)

现在,我们将在训练集上使用 scikit-learn 训练一个决策树模型。

# 从 scikit-learn 导入需要的模块
from sklearn import tree
from sklearn import metrics
# 初始化一个决策树分类器,设置最大深度为 3
clf = tree.DecisionTreeClassifier(max_depth=3)
# 选择你想要训练模型的列
# 这些列作为模型的特征
cols = ['fixed acidity',
		'volatile acidity',
		'citric acid',
		'residual sugar',
		'chlorides',
		'free sulfur dioxide',
		'total sulfur dioxide',
		'density',
		'pH',
		'sulphates',
		'alcohol']
# 使用之前映射的质量以及提供的特征来训练模型
clf.fit(df_train[cols], df_train.quality)

请注意,我将决策树分类器的最大深度( max_depth )设为 3 。该模型的所有其他参数均保持默认值。现在,我们在训练集和测试集上测试该模型的准确性:

# 在训练集上生成预测
train_predictions = clf.predict(df_train[cols])
# 在测试集上生成预测
test_predictions = clf.predict(df_test[cols])
# 计算训练数据集上预测的准确度
train_accuracy = metrics.accuracy_score(
							df_train.quality, train_predictions)
# 计算测试数据集上预测的准确度
test_accuracy = metrics.accuracy_score(
							df_test.quality, test_predictions)

训练和测试的准确率分别为 58.9% 和 54.25% 。现在,我们将最大深度( max_depth )增加到7 ,并重复上述过程。这样,训练准确率为 76.6% ,测试准确率为 57.3% 。在这里,我们使用准确率,主要是因为它是最直接的指标。对于这个问题来说,它可能不是最好的指标。我们可以根据最大深度( max_depth )的不同值来计算这些准确率,并绘制曲线图。

# 注意:这段代码在 Jupyter 笔记本中编写
# 导入 scikit-learn 的 tree 和 metrics
from sklearn import tree
from sklearn import metrics
# 导入 matplotlib 和 seaborn
# 用于绘图
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
# 设置全局标签文本的大小
matplotlib.rc('xtick', labelsize=20)
matplotlib.rc('ytick', labelsize=20)
# 确保图表直接在笔记本内显示
%matplotlib inline
# 初始化用于存储训练和测试准确度的列表
# 我们从 50% 的准确度开始
train_accuracies = [0.5]
test_accuracies = [0.5]
# 遍历几个不同的树深度值
for depth in range(1, 25):
	# 初始化模型
	clf = tree.DecisionTreeClassifier(max_depth=depth)
	# 选择用于训练的列/特征
	cols = [
	'fixed acidity', 'volatile acidity', 'citric acid',
	'residual sugar', 'chlorides', 'free sulfur dioxide',
	'total sulfur dioxide', 'density', 'pH',
	'sulphates', 'alcohol'
	]
	# 在给定特征上拟合模型
	clf.fit(df_train[cols], df_train.quality)
	# 创建训练和测试预测
	train_predictions = clf.predict(df_train[cols])
	test_predictions = clf.predict(df_test[cols])
	# 计算训练和测试准确度
	train_accuracy = metrics.accuracy_score(
										df_train.quality, train_predictions
										)
	test_accuracy = metrics.accuracy_score(
										df_test.quality, test_predictions
										)
	# 添加准确度到列表
	train_accuracies.append(train_accuracy)
	test_accuracies.append(test_accuracy)
# 使用 matplotlib 和 seaborn 创建两个图
plt.figure(figsize=(10, 5))
sns.set_style("whitegrid")
plt.plot(train_accuracies, label="train accuracy")
plt.plot(test_accuracies, label="test accuracy")
plt.legend(loc="upper left", prop={'size': 15})
plt.xticks(range(0, 26, 5))
plt.xlabel("max_depth", size=20)
plt.ylabel("accuracy", size=20)
plt.show()

这将生成如图 2 所示的曲线图。

图 2 :不同 max_depth 训练和测试准确率。

我们可以看到,当最大深度( max_depth )的值为 14 时,测试数据的得分最高。随着我们不断增加这个参数的值,测试准确率会保持不变或变差,但训练准确率会不断提高。这说明,随着最大深度( max_depth )的增加,决策树模型对训练数据的学习效果越来越好,但测试数据的性能

却丝毫没有提高。

这就是所谓的过拟合。

模型在训练集上完全拟合,而在测试集上却表现不佳。这意味着模型可以很好地学习训练数据,但无法泛化到未见过的样本上。在上面的数据集中,我们可以建立一个最大深度( max_depth )非常高的模型,它在训练数据上会有出色的结果,但这种模型并不实用,因为它在真实世界的样本或实时数据上不会提供类似的结果。

有人可能会说,这种方法并没有过拟合,因为测试集的准确率基本保持不变。过拟合的另一个定义是,当我们不断提高训练损失时,测试损失也在增加。这种情况在神经网络中非常常见。

每当我们训练一个神经网络时,都必须在训练期间监控训练集和测试集的损失。如果我们有一个非常大的网络来处理一个非常小的数据集(即样本数非常少),我们就会观察到,随着我们不断训练,训练集和测试集的损失都会减少。但是,在某个时刻,测试损失会达到最小值,之后,即使训练损失进一步减少,测试损失也会开始增加。我们必须在验证损失达到最小值时停止训练。

这是对过拟合最常见的解释。

奥卡姆剃刀用简单的话说,就是不要试图把可以用简单得多的方法解决的事情复杂化。换句话说,最简单的解决方案就是最具通用性的解决方案。一般来说,只要你的模型不符合奥卡姆剃刀原则,就很可能是过拟合。

图 3 :过拟合的最一般定义

在解释过拟合时,我决定将数据分为两部分。我在其中一部分上训练模型,然后在另一部分上检查其性能。这也是交叉检验的一种,通常被称为 " 暂留集 " ( hold-out set )。当我们拥有大量数据,而模型推理是一个耗时的过程时,我们就会使用这种(交叉)验证。

交叉检验有许多不同的方法,它是建立一个良好的机器学习模型的最关键步骤。选择正确的交叉检验取决于所处理的数据集,在一个数据集上适用的交叉检验也可能不适用于其他数据集。不过,有几种类型的交叉检验技术最为流行和广泛使用。
其中包括:

• k 折交叉检验
• 分层 k 折交叉检验
• 暂留交叉检验
• 留一交叉检验
• 分组 k 折交叉检验

交叉检验是将训练数据分层几个部分,我们在其中一部分上训练模型,然后在其余部分上进行测试。请看图 4 。

图 4 :将数据集拆分为训练集和验证集

图 4 和图 5 说明,当你得到一个数据集来构建机器学习模型时,你会把它们分成两个不同的集:训练集和验证集。很多人还会将其分成第三组,称之为测试集。不过,我们将只使用两个集。如你所见,我们将样本和与之相关的目标进行了划分。我们可以将数据分为 k 个互不关联的不同集合。

这就是所谓的 k 折交叉检验。

图 5 : K 折交叉检验

我们可以使用 scikit-learn 中的 KFold 将任何数据分割成 k 个相等的部分。每个样本分配一个从 0到 k-1 的值。

# 导入 pandas 和 scikit-learn 的 model_selection 模块
import pandas as pd
from sklearn import model_selection
if __name__ == "__main__":
	# 训练数据存储在名为 train.csv 的 CSV 文件中
	df = pd.read_csv("train.csv")
	# 我们创建一个名为 kfold 的新列,并用 -1 填充
	df["kfold"] = -1
	# 接下来的步骤是随机打乱数据的行
	df = df.sample(frac=1).reset_index(drop=True)
	# 从 model_selection 模块初始化 kfold 类
	kf = model_selection.KFold(n_splits=5)
	# 填充新的 kfold 列(enumerate的作用是返回一个迭代器)
	for fold, (trn_, val_) in enumerate(kf.split(X=df)):
		df.loc[val_, 'kfold'] = fold
	# 保存带有 kfold 列的新 CSV 文件
	df.to_csv("train_folds.csv", index=False)

几乎所有类型的数据集都可以使用此流程。例如,当数据图像时,您可以创建一个包含图像 ID 、图像位置和图像标签的 CSV ,然后使用上述流程。

另一种重要的交叉检验类型是分层 k 折交叉检验。如果你有一个偏斜的二元分类数据集,其中正样本占 90% ,负样本只占 10% ,那么你就不应该使用随机 k 折交叉。对这样的数据集使用简单的 k 折交叉检验可能会导致折叠样本全部为负样本。在这种情况下,我们更倾向于使用分层 k 折交叉检验。分层 k 折交叉检验可以保持每个折中标签的比例不变。因此,在每个折叠中,都会有相同的 90% 正样本和 10% 负样本。因此,无论您选择什么指标进行评估,都会在所有折叠中得到相似的结果。

修 改 创 建 k 折 交 叉 检 验 的 代 码 以 创 建 分 层 k 折 交 叉 检 验 也 很 容 易 。 我 们 只 需 将model_selection.KFold 更改为 model_selection.StratifiedKFold ,并在 kf.split(...) 函数中指定要分层的目标列。我们假设 CSV 数据集有一列名为 “target” ,并且是一个分类问题。

# 导入 pandas 和 scikit-learn 的 model_selection 模块
import pandas as pd
from sklearn import model_selection
20if __name__ == "__main__":
	# 训练数据保存在名为 train.csv 的 CSV 文件中
	df = pd.read_csv("train.csv")
	# 添加一个新列 kfold,并用 -1 初始化
	df["kfold"] = -1
	# 随机打乱数据行
	df = df.sample(frac=1).reset_index(drop=True)
	# 获取目标变量
	y = df.target.values
	# 初始化 StratifiedKFold 类,设置折数(folds)为 5
	kf = model_selection.StratifiedKFold(n_splits=5)
	# 使用 StratifiedKFold 对象的 split 方法来获取训练和验证索引
	for f, (t_, v_) in enumerate(kf.split(X=df, y=y)):
		df.loc[v_, 'kfold'] = f
	# 保存包含 kfold 列的新 CSV 文件
	df.to_csv("train_folds.csv", index=False)

对于葡萄酒数据集,我们来看看标签的分布情况。

b = sns.countplot(x='quality', data=df)
b.set_xlabel("quality", fontsize=20)
b.set_ylabel("count", fontsize=20)

请注意,我们继续上面的代码。因此,我们已经转换了目标值。从图 6 中我们可以看出,质量偏差很大。有些类别有很多样本,有些则没有那么多。如果我们进行简单的 k 折交叉检验,那么每个折叠中的目标值分布都不会相同。因此,在这种情况下,我们选择分层 k 折交叉检验。

图 6 :葡萄酒数据集中 " 质量 " 分布情况

规则很简单,如果是标准分类问题,就盲目选择分层 k 折交叉检验。但如果数据量很大,该怎么办呢?假设我们有 100 万个样本。 5 倍交叉检验意味着在 800k 个样本上进行训练,在 200k 个样本上进行验证。根据我们选择的算法,对于这样规模的数据集来说,训练甚至验证都可能非常昂贵。

在这种情况下,我们可以选择暂留交叉检验。创建保持结果的过程与分层 k 折交叉检验相同。对于拥有 100 万个样本的数据集,我们可以创建10 个折叠而不是 5 个,并保留其中一个折叠作为保留样本。这意味着,我们将有 10 万个样本被保留下来,我们将始终在这个样本集上计算损失、准确率和其他指标,并在 90 万个样本上进行训练。

在处理时间序列数据时,暂留交叉检验也非常常用。假设我们要解决的问题是预测一家商店 2020年的销售额,而我们得到的是 2015-2019 年的所有数据。在这种情况下,你可以选择 2019 年的所有数据作为保留数据,然后在 2015 年至 2018 年的所有数据上训练你的模型。

图 7 :时间序列数据示例

在图 7 所示的示例中,假设我们的任务是预测从时间步骤 31 到 40 的销售额。我们可以保留 21 至30 步的数据,然后从 0 步到 20 步训练模型。需要注意的是,在预测 31 步至 40 步时,应将 21 步至 30 步的数据纳入模型,否则,模型的性能将大打折扣。

在很多情况下,我们必须处理小型数据集,而创建大型验证集意味着模型学习会丢失大量数据。在这种情况下,我们可以选择留一交叉检验,相当于特殊的 k 则交叉检验其中 k=N , N 是数据集中的样本数。这意味着在所有的训练折叠中,我们将对除 1 之外的所有数据样本进行训练。这种类型的交叉检验的折叠数与数据集中的样本数相同。

需要注意的是,如果模型的速度不够快,这种类型的交叉检验可能会耗费大量时间,但由于这种交叉检验只适用于小型数据集,因此并不重要。
现在我们可以转向回归问题了。回归问题的好处在于,除了分层 k 折交叉检验之外,我们可以在回归问题上使用上述所有交叉检验技术。也就是说,我们不能直接使用分层 k 折交叉检验,但有一些方法可以稍稍改变问题,从而在回归问题中使用分层 k 折交叉检验。大多数情况下,简单的k 折交叉检验适用于任何回归问题。但是,如果发现目标分布不一致,就可以使用分层 k 折交叉检验。

要在回归问题中使用分层 k 折交叉检验,我们必须先将目标划分为若干个分层,然后再以处理分类问题的相同方式使用分层 k 折交叉检验。选择合适的分层数有几种选择。如果样本量很大( >10k , > 100k ),那么就不需要考虑分层的数量。只需将数据分为 10 或 20 层即可。如果样本数不多,则可以使用 Sturge’s Rule 这样的简单规则来计算适当的分层数。

Sturge’s Rule :
$$NumberofBins(z)=1+log(N).$$
其中N是数据集中的样本数。该函数如图 8 所示。

图 8 :利用斯特格法则绘制样本与箱数对比图

让我们制作一个回归数据集样本,并尝试应用分层 k 折交叉检验,如下面的 python 代码段所示。

# stratified-kfold for regression
# 为回归问题进行分层K-折交叉验证
# 导入需要的库
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn import model_selection

# 创建分折(folds)的函数
def create_folds(data):
	# 创建一个新列叫做kfold,并用-1来填充
	data["kfold"] = -1
	
	# 随机打乱数据的行
	24data = data.sample(frac=1).reset_index(drop=True)
	
	# 使用Sturge规则计算bin的数量
	num_bins = int(np.floor(1 + np.log2(len(data))))
	
	# 使用pandas的cut函数进行目标变量(target)的分箱
	data.loc[:, "bins"] = pd.cut(
				data["target"], bins=num_bins, labels=False
	)
	# 初始化StratifiedKFold类
	kf = model_selection.StratifiedKFold(n_splits=5)
	
	# 填充新的kfold列
	# 注意:我们使用的是bins而不是实际的目标变量(target)!
	for f, (t_, v_) in enumerate(kf.split(X=data, y=data.bins.values)):
		data.loc[v_, 'kfold'] = f
		
	# 删除bins列
	data = data.drop("bins", axis=1)
	
	# 返回包含folds的数据
	return data
	
# 主程序开始
if __name__ == "__main__":
	# 创建一个带有15000个样本、100个特征和1个目标变量的样本数据集
	X, y = datasets.make_regression(
		n_samples=15000, n_features=100, n_targets=1
	)
	# 使用numpy数组创建一个数据框
	df = pd.DataFrame(
		X,
		columns=[f"f_{i}" for i in range(X.shape[1])]
	)
	df.loc[:, "target"] = y
	
	# 创建folds
	df = create_folds(df)

交叉检验是构建机器学习模型的第一步,也是最基本的一步。如果要做特征工程,首先要拆分数据。如果要建立模型,首先要拆分数据。如果你有一个好的交叉检验方案,其中验证数据能够代表训练数据和真实世界的数据,那么你就能建立一个具有高度通用性的好的机器学习模型。

本章介绍的交叉检验类型几乎适用于所有机器学习问题。不过,你必须记住,交叉检验也在很大程度上取决于数据,你可能需要根据你的问题和数据采用新的交叉检验形式。

例如,假设我们有一个问题,希望建立一个模型,从患者的皮肤图像中检测出皮肤癌。我们的任务是建立一个二元分类器,该分类器接收输入图像并预测其良性或恶性的概率。

在这类数据集中,训练数据集中可能有同一患者的多张图像。因此,要在这里建立一个良好的交叉检验系统,必须有分层的 k 折交叉检验,但也必须确保训练数据中的患者不会出现在验证数据中。幸运的是, scikit-learn 提供了一种称为 GroupKFold 的交叉检验类型。 在这里,患者可以被视为组。 但遗憾的是, scikit-learn 无法将 GroupKFold 与 StratifiedKFold 结合起来。所以你需要自己动手。我把它作为一个练习留给读者的练习。