在 GridSearchCV 中显式指定测试/训练集

Posted 2023-02-23

【中文标题】在 GridSearchCV 中显式指定测试/训练集

【英文标题】：Explicitly specifying test/train sets in GridSearchCV

【发布时间】：2018-07-01 14:47:53

【问题描述】：

我对sklearn的GridSearchCV的cv参数有疑问。

我正在处理具有时间成分的数据，因此我认为 KFold 交叉验证中的随机改组似乎不明智。

相反，我想在GridSearchCV 中明确指定训练、验证和测试数据的截止值。我可以这样做吗？

为了更好地阐明这个问题，下面是我手动处理的方法。

import numpy as np
import pandas as pd
from sklearn.linear_model import Ridge
np.random.seed(444)

index = pd.date_range('2014', periods=60, freq='M')
X, y = make_regression(n_samples=60, n_features=3, random_state=444, noise=90.)
X = pd.DataFrame(X, index=index, columns=list('abc'))
y = pd.Series(y, index=index, name='y')

# Train on the first 30 samples, validate on the next 10, test on
#     the final 10.
X_train, X_val, X_test = np.array_split(X, [35, 50])
y_train, y_val, y_test = np.array_split(y, [35, 50])

param_grid = 'alpha': np.linspace(0, 1, 11)
model = None
best_param_ = None
best_score_ = -np.inf

# Manual implementation
for alpha in param_grid['alpha']:
    ridge = Ridge(random_state=444, alpha=alpha).fit(X_train, y_train)
    score = ridge.score(X_val, y_val)
    if score > best_score_:
        best_score_ = score
        best_param_ = alpha
        model = ridge

print('Optimal alpha parameter: :0.2f'.format(best_param_))
print('Best score (on validation data): :0.2f'.format(best_score_))
print('Test set score: :.2f'.format(model.score(X_test, y_test)))
# Optimal alpha parameter: 1.00
# Best score (on validation data): 0.64
# Test set score: 0.22

这里的流程是：

对于 X 和 Y，我想要一个训练集、验证集和测试集。训练集是时间序列中的前 35 个样本。验证集是接下来的 15 个样本。测试集是最后 10 个。 训练集和验证集用于确定 Ridge 回归中的最佳 alpha 参数。这里我测试了alphas (0.0, 0.1, ..., 0.9, 1.0)。 测试集作为看不见的数据保留用于“实际”测试。

无论如何...我似乎想做这样的事情，但不确定要在这里传递给cv：

from sklearn.model_selection import GridSearchCV
grid_search = GridSearchCV(Ridge(random_state=444), param_grid, cv= ???)
grid_search.fit(...?)

我无法解释的文档指定：

cv : int，交叉验证生成器或可迭代的，可选的

确定交叉验证拆分策略。可能的输入 简历是：

无，使用默认的三折交叉验证， 整数，用于指定（分层）KFold 中的折叠数， 用作交叉验证生成器的对象。 可迭代的屈服训练，测试拆分。

对于整数/无输入，如果估计器是分类器并且 y 是 使用二元或多类，StratifiedKFold。在所有其他 情况下，使用 KFold。

【问题讨论】：

另见***.com/q/31948879/10495893

【参考方案1】：

正如@MaxU 所说，最好让 GridSearchCV 处理拆分，但如果您想按照问题中的设置强制拆分，那么您可以使用 PredefinedSplit 来执行此操作。

因此您需要对代码进行以下更改。

# Here X_test, y_test is the untouched data
# Validation data (X_val, y_val) is currently inside X_train, which will be split using PredefinedSplit inside GridSearchCV
X_train, X_test = np.array_split(X, [50])
y_train, y_test = np.array_split(y, [50])


# The indices which have the value -1 will be kept in train.
train_indices = np.full((35,), -1, dtype=int)

# The indices which have zero or positive values, will be kept in test
test_indices = np.full((15,), 0, dtype=int)
test_fold = np.append(train_indices, test_indices)

print(test_fold)
# OUTPUT: 
array([-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1,
       -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1,
       -1,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0])

from sklearn.model_selection import PredefinedSplit
ps = PredefinedSplit(test_fold)

# Check how many splits will be done, based on test_fold
ps.get_n_splits()
# OUTPUT: 1

for train_index, test_index in ps.split():
    print("TRAIN:", train_index, "TEST:", test_index)

# OUTPUT: 
('TRAIN:', array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
   17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
   34]), 
 'TEST:', array([35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49]))


# And now, send this `ps` to cv param in GridSearchCV
from sklearn.model_selection import GridSearchCV
grid_search = GridSearchCV(Ridge(random_state=444), param_grid, cv=ps)

# Here, send the X_train and y_train
grid_search.fit(X_train, y_train)

发送到fit() 的 X_train、y_train 将使用我们定义的拆分分为训练和测试（在您的情况下为 val），因此，Ridge 将根据索引 [0:35] 的原始数据进行训练并进行测试在 [35:50]。

希望这可以清除工作。

【讨论】：

只是为了确保我遵循-“具有零或正值的索引将保留在测试中”-您的意思是通常也称为验证集，对吗？ IE。确定最佳参数的“测试”。

@BradSolomon 是的。网格搜索将对参数进行评分的测试集。索引 50 及以上的实际测试集未受影响。

你也可以在这里做test_fold = np.repeat([-1, 0], [35, 15])来节省几行

@Riley 我不完全理解这个问题。是的，如果问题允许，则不需要拆分数据以保留另一个验证集。例如，有些人的数据已经分为训练和测试，他们只能使用训练数据进行拟合。在这种情况下，他们可能会在网格搜索中使用整个训练数据，这将根据折叠拆分数据。如果他们愿意，他们可能会事先拆分数据以使验证集远离网格搜索。

@user23657 不行，在GridSearchCV恐怕做不到

【参考方案2】：

你试过TimeSeriesSplit吗？

它是明确用于拆分时间序列数据的。

tscv = TimeSeriesSplit(n_splits=3)
grid_search = GridSearchCV(clf, param_grid, cv=tscv.split(X))

【参考方案3】：

在时间序列数据中，Kfold 不是正确的方法，因为 kfold cv 会打乱您的数据，并且您会丢失序列中的模式。这是一种方法

import xgboost as xgb
from sklearn.model_selection import TimeSeriesSplit, GridSearchCV
import numpy as np
X = np.array([[4, 5, 6, 1, 0, 2], [3.1, 3.5, 1.0, 2.1, 8.3, 1.1]]).T
y = np.array([1, 6, 7, 1, 2, 3])
tscv = TimeSeriesSplit(n_splits=2)

model = xgb.XGBRegressor()
param_search = 'max_depth' : [3, 5]

my_cv = TimeSeriesSplit(n_splits=2).split(X)
gsearch = GridSearchCV(estimator=model, cv=my_cv,
                        param_grid=param_search)
gsearch.fit(X, y)

参考 - How do I use a TimeSeriesSplit with a GridSearchCV object to tune a model in scikit-learn?