嵌套交叉验证：cross_validate 如何处理 GridSearchCV 作为其输入估计器？

Posted 2023-03-12

【中文标题】嵌套交叉验证：cross_validate 如何处理 GridSearchCV 作为其输入估计器？

【英文标题】：Nested cross-validation: How does cross_validate handle GridSearchCV as its input estimator?

【发布时间】：2019-07-28 12:52:57

【问题描述】：

以下代码将cross_validate 与GridSearchCV 结合起来，对鸢尾花数据集上的SVC 执行嵌套交叉验证。

（以下文档页面的修改示例： https://scikit-learn.org/stable/auto_examples/model_selection/plot_nested_cross_validation_iris.html#sphx-glr-auto-examples-model-selection-plot-nested-cross-validation-iris-py.)

---

from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV, cross_validate, KFold
import numpy as np
np.set_printoptions(precision=2)

# Load the dataset
iris = load_iris()
X_iris = iris.data
y_iris = iris.target

# Set up possible values of parameters to optimize over
p_grid = "C": [1, 10],
          "gamma": [.01, .1]

# We will use a Support Vector Classifier with "rbf" kernel
svm = SVC(kernel="rbf")

# Choose techniques for the inner and outer loop of nested cross-validation
inner_cv = KFold(n_splits=5, shuffle=True, random_state=1)
outer_cv = KFold(n_splits=4, shuffle=True, random_state=1)

# Perform nested cross-validation
clf = GridSearchCV(estimator=svm, param_grid=p_grid, cv=inner_cv, iid=False)
clf.fit(X_iris, y_iris)
best_estimator = clf.best_estimator_

cv_dic = cross_validate(clf, X_iris, y_iris, cv=outer_cv, scoring=['accuracy'], return_estimator=False, return_train_score=True)
mean_val_score = cv_dic['test_accuracy'].mean()

print('nested_train_scores: ', cv_dic['train_accuracy'])
print('nested_val_scores:   ', cv_dic['test_accuracy'])
print('mean score:            0:.2f'.format(mean_val_score))

cross_validate 将每个折叠中的数据集拆分为 训练 和测试集。在每个折叠中，然后根据与折叠关联的训练集训练输入估计器。这里输入的估计器是clf，一个参数化的GridSearchCV估计器，即再次交叉验证自己的估计器。

我对整个事情有三个问题：

如果clf 用作cross_validate 的估计器，是否（在GridSearchCV 交叉验证过程中）将上述训练集拆分为子训练集和验证集以确定最佳超参数组合？ 在通过GridSearchCV 测试的所有模型中，cross_validate 是否仅验证存储在best_estimator_ 属性中的模型？ cross_validate 是否完全训练模型（如果是，为什么？）还是存储在 best_estimator_ 中的模型直接通过测试集进行验证？

为了更清楚地说明问题的含义，这里是我目前如何想象双重交叉验证的说明。

【参考方案1】：

如果clf 用作cross_validate 的估计器，是否将上述训练集拆分为子训练集和验证集以确定最佳超参数组合？

是的，如您所见here at Line 230，训练集再次分为子训练集和验证集（特别是line 240）。

更新是的，当您将 GridSearchCV 分类器传递给 cross-validate 时，它会再次将训练集拆分为测试集和训练集。这是a link 更详细地描述了这一点。你的图表和假设是正确的。

在通过 GridSearchCV 测试的所有模型中，cross_validate 是否仅训练和验证存储在变量 best_estimator 中的模型？

是的，正如您从答案 here 和 here 中看到的那样，GridSearchCV 在您的情况下返回 best_estimator（因为在您的情况下，refit 参数默认为 True。）但是，必须再次训练这个最佳估计器

cross_validate 是否完全训练模型（如果是，为什么？）还是存储在 best_estimator_ 中的模型直接通过测试集进行验证？

根据您的第三个也是最后一个问题，是的，如果 return_estimator 设置为 True，它会训练一个估计器并返回它。见this line。这是有道理的，因为如果不首先训练估计器，它应该如何返回分数？

更新 再次训练模型的原因是交叉验证的默认用例不假设您提供具有最佳参数的最佳分类器。具体来说，在这种情况下，您从GridSearchCV 发送一个分类器，但如果您发送任何未经训练的分类器，它应该是经过训练的。我的意思是，是的，在你的情况下，它不应该再次训练它，因为你已经在使用 GridSearchCV 并使用最佳估计器进行交叉验证。但是，cross-validate 无法知道这一点，因此，它假定您发送的是未优化或未经训练的估计器，因此它必须再次训练它并返回相同的分数。