为啥 sklearn 的训练/测试拆分加上 PCA 会使我的标签不正确?
Posted
技术标签:
【中文标题】为啥 sklearn 的训练/测试拆分加上 PCA 会使我的标签不正确?【英文标题】:Why does sklearn's train/test split plus PCA make my labelling incorrect?为什么 sklearn 的训练/测试拆分加上 PCA 会使我的标签不正确? 【发布时间】:2019-04-05 05:55:21 【问题描述】:我正在使用 Pandas 在 Scikit-learn(Python 3 上为 0.20)中探索 PCA 来构建我的数据。当我应用测试/训练拆分时(并且仅在何时),我的输入标签似乎不再与 PCA 输出匹配。
import pandas
import sklearn.datasets
from matplotlib import pyplot
import seaborn
def load_bc_as_dataframe():
data = sklearn.datasets.load_breast_cancer()
df = pandas.DataFrame(data.data, columns=data.feature_names)
df['diagnosis'] = pandas.Series(data.target_names[data.target])
return data.feature_names.tolist(), df
feature_names, bc_data = load_bc_as_dataframe()
from sklearn.model_selection import train_test_split
# bc_train, _ = train_test_split(bc_data, test_size=0)
bc_train = bc_data
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
bc_pca_raw = pca.fit_transform(bc_train[feature_names])
bc_pca = pandas.DataFrame(bc_pca_raw, columns=('PCA 1', 'PCA 2'))
bc_pca['diagnosis'] = bc_train['diagnosis']
seaborn.scatterplot(
data=bc_pca,
x='PCA 1',
y='PCA 2',
hue='diagnosis',
style='diagnosis'
)
pyplot.show()
这看起来很合理,准确的分类结果也证明了这一点。如果我将 bc_train = bc_data
替换为 train_test_split()
调用(即使是 test_size=0
),我的标签似乎不再与原始标签相对应。
我意识到train_test_split()
正在对我的数据进行洗牌(通常我希望这样做),但我不明白为什么会出现问题,因为 PCA 和标签分配使用相同的洗牌数据。 PCA 的转换只是一个投影,虽然它显然不会保留相同的特征(列),但它不应该改变哪个标签与哪个帧一起使用。
如何正确地重新标记我的 PCA 输出?
【问题讨论】:
【参考方案1】:问题分为三个部分:
train_test_split()
中的改组导致bc_train
中的索引处于随机顺序(与行位置相比)。
PCA 对数值矩阵进行运算,并有效地从输入中去除索引。创建一个新的DataFrame
会重新创建顺序索引(与行位置相比)。
现在我们在bc_train
中有随机索引,在bc_pca
中有顺序索引。当我做bc_pca['diagnosis'] = bc_train['diagnosis']
时,bc_train
是reindexed 和bc_pca
s 索引。这会重新排序 bc_train
数据,使其索引匹配 bc_pca
s。
换句话说,当我使用bc_pca['diagnosis']
(即__setitem__()
)分配索引时,Pandas 会对索引进行左连接,而不是逐行复制(类似于update()
。
我不觉得这很直观,而且除了源代码之外,我也找不到关于 __setitem__()
行为的文档,但我希望它对于更有经验的 Pandas 用户来说是有意义的,而且它的文档可能更高在我没见过的地方升级。
有很多方法可以避免这种情况。我可以重置训练/测试数据的索引:
bc_train, _ = train_test_split(bc_data, test_size=0)
bc_train.reset_index(inplace=True)
或者,我可以从values
成员分配:
bc_pca['diagnosis'] = bc_train['diagnosis'].values
我也可以在构造 DataFrame 之前做类似的事情(可以说更明智,因为 PCA 有效地在 bc_train[feature_names].values
上运行)。
【讨论】:
相关:How to assign columns while ignoring index alignment以上是关于为啥 sklearn 的训练/测试拆分加上 PCA 会使我的标签不正确?的主要内容,如果未能解决你的问题,请参考以下文章
Sklearn 将 Pandas Dataframe 和 CSR Matrix 拆分为测试和训练集