scikit学习中的交叉验证指标用于每个数据拆分

Question

我需要为（X_test，y_test）数据的每个拆分显式获取交叉验证统计信息。

因此，我尝试这样做：

kf = KFold(n_splits=n_splits)

X_train_tmp = []
y_train_tmp = []
X_test_tmp = []
y_test_tmp = []
mae_train_cv_list = []
mae_test_cv_list = []

for train_index, test_index in kf.split(X_train):

    for i in range(len(train_index)):
        X_train_tmp.append(X_train[train_index[i]])
        y_train_tmp.append(y_train[train_index[i]])

    for i in range(len(test_index)):
        X_test_tmp.append(X_train[test_index[i]])
        y_test_tmp.append(y_train[test_index[i]])

    model.fit(X_train_tmp, y_train_tmp) # FIT the model = SVR, NN, etc.

    mae_train_cv_list.append( mean_absolute_error(y_train_tmp, model.predict(X_train_tmp)) # MAE of the train part of the KFold.

    mae_test_cv_list.append( mean_absolute_error(y_test_tmp, model.predict(X_test_tmp)) ) # MAE of the test part of the KFold.

    X_train_tmp = []
    y_train_tmp = []
    X_test_tmp = []
    y_test_tmp = []

是否是通过使用例如KFold来获得每个交叉验证拆分的平均绝对误差（MAE）的正确方法？

Answer 1

您的方法存在一些问题。

首先，您当然不必在培训和验证列表（即您的2个内部循环）中 一个接一个地手动 添加数据for。简单的索引就可以完成工作。

此外，我们通常从不计算和报告训练CV折叠的错误-仅验证折叠的错误。

请记住这些，并将术语切换为“验证”而不是“测试”，这是一个使用波士顿数据的可复制示例，应直接进行调整以适应您的情况：

from sklearn.model_selection import KFold
from sklearn.datasets import load_boston
from sklearn.metrics import mean_absolute_error
from sklearn.tree import DecisionTreeRegressor

X, y = load_boston(return_X_y=True)
n_splits = 5
kf = KFold(n_splits=n_splits, shuffle=True)
model = DecisionTreeRegressor(criterion='mae')

cv_mae = []

for train_index, val_index in kf.split(X):
    model.fit(X[train_index], y[train_index])
    pred = model.predict(X[val_index])
    err = mean_absolute_error(y[val_index], pred)
    cv_mae.append(err)

之后，您cv_mae应该是这样的（由于简历的随机性质，细节会有所不同）：

[3.5294117647058827,
 3.3039603960396042,
 3.5306930693069307,
 2.6910891089108913,
 3.0663366336633664]

当然，所有这些显式的东西并不是真正必需的。您可以使用轻松得多cross_val_score。不过有一个小问题：

from sklearn.model_selection import cross_val_score
cv_mae2 =cross_val_score(model, X, y, cv=n_splits, scoring="neg_mean_absolute_error")
cv_mae2
# result
array([-2.94019608, -3.71980198, -4.92673267, -4.5990099 , -4.22574257])

除了不是真正的问题的负号之外，您还会注意到结果的方差看起来比cv_mae上面的要大得多；原因是我们没有对数据进行 洗牌
。不幸的是，cross_val_score没有提供改组选项，因此我们必须使用手动进行shuffle。因此，我们的最终代码应为：

from sklearn.model_selection import cross_val_score
from sklearn.utils import shuffle
X_s, y_s =shuffle(X, y)
cv_mae3 =cross_val_score(model, X_s, y_s, cv=n_splits, scoring="neg_mean_absolute_error")
cv_mae3
# result:
array([-3.24117647, -3.57029703, -3.10891089, -3.45940594, -2.78316832])

褶皱之间的差异明显较小，并且更接近我们的初始cv_mae…