如何结合 Scikit Learn 的 GroupKFold 和 StratifieKFold

Posted

技术标签:

【中文标题】如何结合 Scikit Learn 的 GroupKFold 和 StratifieKFold【英文标题】:How to combine Scikit Learn's GroupKFold and StratifieKFold 【发布时间】:2020-12-19 05:23:08 【问题描述】:

我正在处理一个不平衡的数据集,该数据集包含来自同一组用户的多个观察结果。我想确保我在训练和测试集中没有相同的用户,同时仍然尽可能地保持原始分布。 我一直在尝试结合 Sklearn 中的 GroupKFold 和 StratifiedKFold 函数,但我有点不知所措。有没有人知道如何将这两个功能结合起来?

【问题讨论】:

【参考方案1】:
def stratified_group_k_fold(X, y, groups, k, seed=None):
    """Source: https://www.kaggle.com/jakubwasikowski/stratified-group-k-fold-cross-validation """
    labels_num = np.max(y) + 1
    y_counts_per_group = collections.defaultdict(lambda: np.zeros(labels_num))
    y_distr = collections.Counter()
    for label, g in zip(y, groups):
        y_counts_per_group[g][label] += 1
        y_distr[label] += 1

    y_counts_per_fold = collections.defaultdict(lambda: np.zeros(labels_num))
    groups_per_fold = collections.defaultdict(set)

    def eval_y_counts_per_fold(y_counts, fold):
        y_counts_per_fold[fold] += y_counts
        std_per_label = []
        for label in range(labels_num):
            label_std = np.std([y_counts_per_fold[i][label] / y_distr[label] for i in range(k)])
            std_per_label.append(label_std)
        y_counts_per_fold[fold] -= y_counts
        return np.mean(std_per_label)

    groups_and_y_counts = list(y_counts_per_group.items())
    random.Random(seed).shuffle(groups_and_y_counts)

    for g, y_counts in sorted(groups_and_y_counts, key=lambda x: -np.std(x[1])):
        best_fold = None
        min_eval = None
        for i in range(k):
            fold_eval = eval_y_counts_per_fold(y_counts, i)
            if min_eval is None or fold_eval < min_eval:
                min_eval = fold_eval
                best_fold = i
        y_counts_per_fold[best_fold] += y_counts
        groups_per_fold[best_fold].add(g)

    all_groups = set(groups)
    for i in range(k):
        train_groups = all_groups - groups_per_fold[i]
        test_groups = groups_per_fold[i]

        train_indices = [i for i, g in enumerate(groups) if g in train_groups]
        test_indices = [i for i, g in enumerate(groups) if g in test_groups]

        yield train_indices, test_indices

【讨论】:

以上是关于如何结合 Scikit Learn 的 GroupKFold 和 StratifieKFold的主要内容,如果未能解决你的问题,请参考以下文章

scikit-learn与Serverless架构结合

在 scikit-learn 中将 RandomizedSearchCV(或 GridSearcCV)与 LeaveOneGroupOut 交叉验证相结合

在 scikit-learn 中结合异构特征

结合Scikit-learn介绍几种常用的特征选择方法

在 scikit-learn 中结合递归特征消除和网格搜索

在NLTK和scikit-learn中结合文本词干和删除标点符号