使用 sklearn 使用 k 折叠预测测试数据的类别

Posted 2023-03-12

【中文标题】使用 sklearn 使用 k 折叠预测测试数据的类别

【英文标题】：predict classes of test data using k folding using sklearn

【发布时间】：2015-09-14 09:17:35

【问题描述】：

我正在从事一个数据挖掘项目，我正在使用 python 中的 sklearn 包对我的数据进行分类。

为了训练我的数据并评估预测值的质量，我正在使用 sklearn.cross_validation.cross_val_predict 函数。

但是，当我尝试在测试数据上运行我的模型时，它会要求提供不可用的基类。

我已经看到（可能的）使用 sklearn.grid_search.GridSearchCV 函数的变通方法，但我不愿意将这种方法用于一组固定的参数。

通过 sklearn.cross_validation 文档，我遇到了 cross_val_score 函数。由于我对分类问题的世界还很陌生，所以我不太确定这是否可以解决我的问题。

任何帮助都会很棒！

谢谢！

编辑：

你好！我的印象是我对原始查询相当模糊。我将尝试详细说明我到底在做什么。如下：

我生成了 3 个 numpy.ndarrays X、X_test 和 y，nrows = 10158、22513 和 10158 分别对应于我的训练数据、测试数据和训练数据的类标签。

之后，我运行以下代码：

    from sklearn.svm import SVC
    from sklearn.cross_validation import cross_val_predict
    clf = SVC()
    testPred = cross_val_predict(clf,X,y,cv=2)

这很好用，然后我可以使用教程中提到的 stemPred 和 y。

但是，我希望预测 X_test 的类别。错误消息是不言自明的，它说：

    ValueError: Found arrays with inconsistent numbers of samples: [10158 22513]

我正在使用的当前解决方法（我不知道这是一种解决方法还是唯一的解决方法）是：

    from sklearn import grid_search
    # thereafter I create the parameter grid (grid) and appropriate scoring function (scorer)
    model = grid_search.GridSearchCV(estimator = clf, param_grid = grid, scoring = scorer, refit = True, cv = 2, n_jobs = -1)
    model.fit(X,y)
    model.best_estimator_.fit(X,y)
    testPred = model.best_estimator_.predict(X_test)

这种技术暂时可以正常工作；但是，如果我不必使用 GridSearchCV 功能，我就能睡得更好。

【问题讨论】：

“基类不可用”是什么意思？您可以发布您看到的错误消息吗？您的 y 标签中有多少类？我可以编写一个示例代码来演示如何使用 sklearn 来训练和测试分类问题。

@JianxunLi 你好！谢谢你的提议！我已经编辑了我的原始帖子，以使我的问题更清楚。此外，我正在处理 4 个班级。再次感谢！

啊，好多了！ IIUC，你搞混了一些东西。将更新我的答案。

【参考方案1】：

IIUC，你把不同的东西混为一谈了。

假设您有一个具有给定方案的分类器。然后你可以在一些数据上训练它，并预测（通常是其他）数据。这很简单，看起来像这样。

首先我们构建预测器并对其进行拟合。

from sklearn import svm, grid_search, datasets
from sklearn.cross_validation import train_test_split
iris = datasets.load_iris()
clf = svm.SVC()
train_x, test_x, train_y, test_y = train_test_split(iris.data, iris.target)
>> clf.fit(train_x, train_y)
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)

现在已经完全构建好了，可以用它来预测了。

>> clf.predict(test_x)
array([1, 0, 0, 2, 0, 1, 1, 1, 0, 2, 2, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 2, 0,
   1, 0, 2, 0, 2, 1, 2, 1, 2, 2, 2, 1, 0, 0, 0])

就这么简单。

这里发生了什么？

分类器有一个完全指定的方案——它只需要调整它的参数

分类器根据训练数据调整其参数

分类器已准备好进行预测

---

在许多情况下，分类器有一个需要使用参数调整的方案，但它也有元参数。一个示例是分类器的 degree 参数。

你应该如何调整它们？有很多方法。

不要。坚持使用默认值（这就是我的示例所做的）

使用某种形式的交叉验证（例如，网格搜索）

使用某种复杂性度量，例如 AIC、BIC 等。

---

所以重要的是不要把这些东西混在一起。交叉验证不是获得测试数据预测器的技巧。具有默认参数的预测器已经可以做到这一点。交叉验证用于调整元参数。一旦你选择了它们，你就可以调整参数。那么你就有了一个不同的预测器。

【讨论】：

嗨，阿米，我已经编辑了我的问题。希望我现在能够更好地解决我的困境。谢谢:)

你的问题现在好多了，让我（我想）明白了。查看更新。