Scikit learn 中的交叉验证与网格搜索

Posted 2023-03-12

【中文标题】Scikit learn 中的交叉验证与网格搜索

【英文标题】：Cross validation vs. grid search in Scikit learn

【发布时间】：2017-12-29 19:59:06

【问题描述】：

我正在使用sklearn.model_selection.GridSearchCV 和sklearn.model_selection.cross_val_score，但在这样做的过程中我遇到了意想不到的结果。

在我的示例中，我使用以下导入：

from sklearn.datasets import make_classification
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
from sklearn.model_selection import cross_val_score
from sklearn.metrics import make_scorer
from sklearn.metrics import recall_score
from sklearn.model_selection import GridSearchCV
import numpy as np

首先，我创建一个随机数据集：

X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

接下来，我定义管道“生成器”：

def my_pipeline(C=None):
    if C is None:
        return Pipeline(
            [
                ('step1', StandardScaler()),
                ('clf', LinearSVC(random_state=42))
            ])
    else:
        return Pipeline(
            [
                ('step1', StandardScaler()),
                ('clf', LinearSVC(C=C, random_state=42))
            ])        

接下来，我设置了几个C 进行测试：

Cs = [0.01, 0.1, 1, 2, 5, 10, 50, 100]

最后，我想检查一下可以得到的最大recall_score 是多少。一次，我使用cross_val_score 进行，一次直接使用GridSearchCV。

np.max(
    [
        np.mean(
            cross_val_score(my_pipeline(C=c), X, y,
                            cv=3, 
                            scoring=make_scorer(recall_score)
    )) for c in Cs])

和：

GridSearchCV(
    my_pipeline(),
    
        'clf__C': Cs
    ,
    scoring=make_scorer(recall_score),
    cv=3
).fit(X, y).best_score_)

在我的示例中，前者产生0.85997883750571147，后者产生0.85999999999999999。我期望值是相同的。我错过了什么？

我也把它全部放在gist 中。

编辑：修复cv。我用StratifiedKFold(n_splits=3, random_state=42) 替换了cv=3，结果没有改变。事实上，cv 似乎不会影响结果。

【问题讨论】：

这里的一个非常快速的第一个猜测是，它与随机数生成器的状态有关，即数据被分成折叠以进行交叉验证。如果同时修复GridSearchCV 和cross_val_score 中的random_state 会发生什么？

猜对了，但是……错了。 @AngusWilliams 查看更新。

【参考方案1】：

在我看来，这似乎是一个精度问题。如果您查看完整的分数列表，那么对于cross_val_score，您会得到以下信息：

[0.85193468484717316,
 0.85394271697568724,
 0.85995478921674717,
 0.85995478921674717,
 0.8579467570882332,
 0.86195079720077905,
 0.81404660558401265,
 0.82201861337565829]

对于GridSearchCV，您会得到以下信息

[mean: 0.85200, std: 0.02736, params: 'clf__C': 0.01,
 mean: 0.85400, std: 0.02249, params: 'clf__C': 0.1,
 mean: 0.86000, std: 0.01759, params: 'clf__C': 1,
 mean: 0.86000, std: 0.01759, params: 'clf__C': 2,
 mean: 0.85800, std: 0.02020, params: 'clf__C': 5,
 mean: 0.86200, std: 0.02275, params: 'clf__C': 10,
 mean: 0.81400, std: 0.01916, params: 'clf__C': 50,
 mean: 0.82200, std: 0.02296, params: 'clf__C': 100]

因此，每对对应的分数基本上几乎相同，只是精度差异很小（似乎GridSearchCV 中的分数是四舍五入的）。

【讨论】：

确实，引擎盖下似乎有一些舍入。我在 the code 中找不到它的记录。