数据集交叉验证方式
简单交叉验证(Holdout Cross-Validation)
将数据集划分为训练集和测试集两部分,通常按照比例(例如 70% 训练集和 30% 测试集)进行划分。使用训练集来训练模型,然后使用测试集来评估模型的性能。
from sklearn.model_selection
import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上评估模型性能
score = model.score(X_test, y_test)
K折交叉验证(K-Fold Cross-Validation)
将数据集划分为K个折叠(fold)。每个折叠依次作为验证集,其他折叠组合成的子集作为训练集。重复K次,每次都使用不同的折叠作为验证集。最后,将每次验证结果的评估指标平均得到最终评估结果。
from sklearn.model_selection import KFold
import numpy as np
k = 5
kf = KFold(n_splits=k, shuffle=True, random_state=42)
scores = []
for train_index, test_index in kf.split(X):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上评估模型性能
score = model.score(X_test, y_test)
scores.append(score)
average_score = np.mean(scores)
留一交叉验证(Leave-One-Out Cross-Validation,LOOCV)
每次将一个样本作为验证集,其他样本作为训练集。适用于数据集较小的情况,每个样本都会被作为验证集一次,因此评估结果较为准确。但是计算开销较大。
from sklearn.model_selection import LeaveOneOut
loo = LeaveOneOut()
scores = []
for train_index, test_index in loo.split(X):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上评估模型性能
score = model.score(X_test, y_test)
scores.append(score)
average_score = np.mean(scores)
分层K折交叉验证(Stratified K-Fold Cross-Validation)
与K折交叉验证类似,但在划分时保持每个折叠中各类别样本的比例与整体数据集中各类别样本的比例相似。适用于不平衡数据集的情况。
from sklearn.model_selection import StratifiedKFold
k = 5
skf = StratifiedKFold(n_splits=k, shuffle=True, random_state=42)
scores = []
for train_index, test_index in skf.split(X, y):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上评估模型性能
score = model.score(X_test, y_test)
scores.append(score)
average_score = np.mean(scores)
时间序列交叉验证(Time Series Cross-Validation)
适用于时间序列数据的交叉验证方法。按照时间顺序划分数据集,将较早的数据作为训练集,较新的数据作为验证集。这样可以更好地模拟未来的预测场景。
from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits=k)
scores = []
for train_index, test_index in tscv.split(X):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
# 在训练集上训练模型
model.fit(X_train, y_train)
# 在测试集上评估模型性能
score = model.score(X_test, y_test)
scores.append(score)
average_score = np.mean(scores)
``
交叉验证方法都有各自的特点和适用场景。选择适当的交叉验证方法取决于数据集的大小、分布、样本特征以及任务等要求。