数据集的划分——Python实现

在建模时一般要将数据集划分为训练集、验证集、测试集

一、为什么要划分？

构建模型的目标是通过在训练集上训练模型，然后在验证集上验证模型的参数效果，最后在测试集上测试模型的泛化能力。
最终的目标是使模型的泛化能力最大化，也就是泛化误差最小化，然而怎样去度量或者近似度量泛化误差呢？

1.训练误差=经验误差（×）

原因：很可能出现过拟合，也有可能出现欠拟合

• 过拟合：学习器把训练样本学的太好了，以至于把训练样本自身的一些性质作为潜在样本会具有的一般性质，这样会导致泛化性能下降。
• 欠拟合：训练样本的一般性质尚未学好

2.泛化误差（×）

不可能泛化到所有的可能性

3.测试误差作为泛化误差的近似（✔）

二、怎样划分？

1.留出法（hold-out cross-validation）

• 要尽可能保持数据分布的一致性，也就是训练集和测试集中样本类别比例是一致的。
• 一般取2/3~4/5作为训练集。
• 适用：数据量足够
• 缺点：只做一次分割且比例是自己确定的、分割后数据分布与原始分布的差异等敏感问题
• 改进：在验证模型效果的时候，可以随机分割训练集和测试集，一般随机生成10000次，然后生成模型准确率的分布。这样评估模型效果更加客观。通过分布，可以看到模型表现最差的时候是什么水平,如果最差的情况都可以接受，那模型效果就合格了。

# 选择变量
y=churn['flag']
x=churn[['contract_month','internet_other','streamingtv']]

# 切分训练集与测试集
from sklearn.cross_validation import train_test_split
for i in range(1000):
	X_train, X_test, y_train, y_test = train_test_split(x,y, test_size=0.3)  # 不要设置随机种子random_state保证每次划分的随机性

2.k折交叉验证（K-fold）

• 一般取10
• 适用：数据量足够
• 缺点：k越大越好，但是计算负担大。对数据集的大小有很高的要求。如果数据量不是很足够的话，比如把k设成20，可能测试集里面就没有几个数据了。

（1）sklearn.model_selection

from sklearn.model_selection import StratifiedKFold
sk=StratifiedKFold(n_splits=5,shuffle=True,random_state=0)  
# shuffle=True：先打乱顺序再做划分
# random_state=0（固定值就可以），保证每次的拆分结果是相同的

X_data = Train_data[feature_cols]
Y_data = Train_data['price']

# 将训练集拆分成训练集和验证集validation
for train_ind,val_ind in sk.split(X_data,Y_data):
    train_x=X_data.iloc[train_ind].values
    train_y=Y_data.iloc[train_ind]
    val_x=X_data.iloc[val_ind].values
    val_y=Y_data.iloc[val_ind]

（2）sklearn.cross_validation

from sklearn.cross_validation import KFold
kf = KFold(25, n_folds=5, shuffle=False)
# 其他同上

（3）sklearn.cross_validation

from sklearn.cross_validation import cross_val_score
scores = cross_val_score(knn, X, y, cv=10, scoring='accuracy')
print(scores.mean())

3.自助法bootstrap

• 问题：改变了初始数据的分布，引入了估计偏差，也就是用改变数据分布带来的误差来弥补数据量少带来的误差。
• 适用：数据集较小，难以有效划分训练和测试集