留出法 hold-out
数据集划分为两个互斥的集合:训练集和测试集。训练集占总数据集的 2/3 - 4/5
再进行划分时,采取分层采样的方式,这是为了在划分时保持数据分布一致,在分类任务中,保持样本的类别比例相似。
注意 单次使用留出法得到的结果不够可靠,一般采用若干次随即划分,重复实验后取平均值。
交叉验证法 cross-validation
k折交叉验证
数据集划分为 k (一般 k = 10)个大小相似的互斥子集,当然在划分时也要保持数据分布的一致性。
每次使用 k-1 个子集作为训练集,剩下的一个子集作为测试集。这样获得k组训练和测试集,进行k次训练测试,最后返回k次测试的平均值。
数据集的划分:留一法
与留出法相似,数据集的划分也存在多种划分方式,为减小因样本划分不同而引入的差别,k折交叉验证要采用不同的划分重复p次,最终结果是p次k折交叉验证结果的均值。
留一法 leave-one-out LOO
数据集包含m个样本,划分为 k个互斥子集,令k=m,也就是每个样本是一个子集。
我们让训练集包含m-1个样本,测试集有1个样本。
留一法不受随机样本划分的影响,数据集较大时不适用。
自助法 bootstrapping
以自主采样法为基础。
数据集D有m个样本,对它进行采样得到新的数据集D’:每次随机从D中挑选一个样本,放入D’,这个样本不会被D剔除。这样再次采样时,这个样本有可能再次取到。这个过程重复m次,就得到了包含m个样本的数据集D’。
显然,D中样本有一部分会在D’中多次出现,另一部分样本不出现。
设样本在m次采样中始终不被采到的概率为
(
1
−
1
m
)
m
(1−\frac{1}{m})^m
(1−m1)m,取极限得到:
lim m → ∞ ( 1 − 1 m ) m = 1 e = 0.368 \lim_{m \to \infty}(1−\frac{1}{m})^m =\frac{1}{e}=0.368 m→∞lim(1−m1)m=e1=0.368
通过自主采样,D中大约有36.8%的样本没有出现在D’中。
将D’作为训练集,D-D’作为测试集。实际评估的模型与期望评估的模型都使用m个训练样本,仍有1/3的样本没有出现在训练集中,作为测试集。我们把测试结果叫做包外估计(out-of-bag estimate)
适用于数据集较小,难以有效划分训练集和测试集时。自助法从初始数据集中产生多个不同的训练集,但是改变了初始数据集的分布,引入了估计偏差。数据数量足够时,选择留出或者交叉验证。