为啥 sklearn 的训练/测试拆分加上 PCA 会使我的标签不正确？

Posted 2023-03-12

【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？

【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_pcas 索引。这会重新排序 bc_train 数据，使其索引匹配 bc_pcas。

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