sklearn cross_val_score 的准确性低于手动交叉验证

Posted 2023-02-23

【中文标题】sklearn cross_val_score 的准确性低于手动交叉验证

【英文标题】：sklearn cross_val_score gives lower accuracy than manual cross validation

【发布时间】：2017-09-27 00:51:44

【问题描述】：

我正在处理一个文本分类问题，我已经这样设置（为了简洁起见，我省略了数据处理步骤，但它们会生成一个名为 data 的数据框，其中包含 X 列和y):

import sklearn.model_selection as ms
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.ensemble import RandomForestClassifier

sim = Pipeline([('vec', TfidfVectorizer((analyzer="word", ngram_range=(1, 2))),
                ("rdf", RandomForestClassifier())])

现在我尝试通过在 2/3 的数据上对其进行训练并在剩余的 1/3 上对其进行评分来验证该模型，如下所示：

train, test = ms.train_test_split(data, test_size = 0.33)
sim.fit(train.X, train.y)
sim.score(test.X, test.y)
# 0.533333333333

我想对三个不同的测试集执行此操作 3 次，但使用 cross_val_score 得到的结果要低得多。

ms.cross_val_score(sim, data.X, data.y)
# [ 0.29264069  0.36729223  0.22977941]

据我所知，该数组中的每个分数都应该通过对 2/3 的数据进行训练并使用 sim.score 方法对剩余的 1/3 进行评分来产生。那么为什么它们都低这么多呢？

【参考方案1】：

我在写问题的过程中解决了这个问题，所以就这样吧：

cross_val_score 的默认行为是使用KFold 或StratifiedKFold 来定义折叠。默认情况下，两者都有参数shuffle=False，因此不会从数据中随机拉出折叠：

import numpy as np
import sklearn.model_selection as ms

for i, j in ms.KFold().split(np.arange(9)):
    print("TRAIN:", i, "TEST:", j)
TRAIN: [3 4 5 6 7 8] TEST: [0 1 2]
TRAIN: [0 1 2 6 7 8] TEST: [3 4 5]
TRAIN: [0 1 2 3 4 5] TEST: [6 7 8]

我的原始数据是按标签排列的，因此通过这种默认行为，我试图预测很多我在训练数据中没有看到的标签。如果我强制使用KFold（我在做分类，所以StratifiedKFold 是默认值），这会更加明显：

ms.cross_val_score(sim, data.text, data.label, cv = ms.KFold())
# array([ 0.05530776,  0.05709188,  0.025     ])
ms.cross_val_score(sim, data.text, data.label, cv = ms.StratifiedKFold(shuffle = False))
# array([ 0.2978355 ,  0.35924933,  0.27205882])
ms.cross_val_score(sim, data.text, data.label, cv = ms.KFold(shuffle = True))
# array([ 0.51561106,  0.50579839,  0.51785714])
ms.cross_val_score(sim, data.text, data.label, cv = ms.StratifiedKFold(shuffle = True))
# array([ 0.52869565,  0.54423592,  0.55626715])

手工操作给了我更高的分数，因为train_test_split 和KFold(shuffle = True) 做同样的事情。

【讨论】：

另外，使用cross_val_score 中的random_state 参数和您的手册KFold，您可以确保获得完全相同的结果

请注意，如果洗牌案例的得分明显高于不洗牌，并且数据集不能代表分类器将用于执行预测的整个人群，那么较高的分数实际上可能表明过度拟合他们具有误导性。这是因为分类器是在与训练集非常相似的案例上进行测试的，因此训练-测试拆分无法达到其目的，泛化能力可能很差。