机器学习必修课 - 交叉验证 Cross-Validation

想象一下你有一个包含5000行数据的数据集。通常情况下，你会将约20%的数据保留作为验证数据集，即1000行。但这会在确定模型得分时引入一些随机性。也就是说，一个模型可能在一组1000行数据上表现良好，即使在另一组1000行数据上表现不准确。

运行环境：Google Colab

数据准备和预处理

!git clone https://github.com/JeffereyWu/Housing-prices-data.git
1

import pandas as pd
from sklearn.model_selection import train_test_split

# Read the data
train_data = pd.read_csv('/content/Housing-prices-data/train.csv', index_col='Id')
test_data = pd.read_csv('/content/Housing-prices-data/test.csv', index_col='Id')
1
2
3
4
5
6

# Remove rows with missing target, separate target from predictors
train_data.dropna(axis=0, subset=['SalePrice'], inplace=True)
y = train_data.SalePrice              
train_data.drop(['SalePrice'], axis=1, inplace=True)
1
2
3
4

• 删除训练数据中带有缺失目标值的行，并将目标值（SalePrice）分离出来存储在变量y中。

# Select numeric columns only
numeric_cols = [cname for cname in train_data.columns if train_data[cname].dtype in ['int64', 'float64']]
X = train_data[numeric_cols].copy()
X_test = test_data[numeric_cols].copy()
1
2
3
4

• 从训练数据中选择了仅包含数值型数据的列，存储在变量numeric_cols中。
• 创建了训练特征数据集X，其中包含了数值型的特征列。
• 创建了测试特征数据集X_test，也包含了数值型的特征列。

from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer

my_pipeline = Pipeline(steps=[
    ('preprocessor', SimpleImputer()),
    ('model', RandomForestRegressor(n_estimators=50, random_state=0))
])
1
2
3
4
5
6
7
8

• 上面的管道将使用SimpleImputer()来替换数据中的缺失值，然后使用RandomForestRegressor()来训练一个随机森林模型进行预测。我们可以通过n_estimators参数来设置随机森林模型中树的数量，并通过设置random_state参数来确保结果的可重复性。

在交叉验证中，我们对数据的不同子集运行我们的建模过程，以获取模型质量的多个度量值。

例如，我们可以将数据分成5个部分，每个部分占全数据集的20%。在这种情况下，我们称将数据分成了5个“折叠”（fold）。

然后，我们对每个折叠运行一次实验：

1. 在实验1中，我们将第一个折叠作为验证（或保留）集，将其他所有部分作为训练数据。这样可以基于一个20%的保留集来度量模型的质量。
2. 在实验2中，我们保留第二个折叠的数据（并使用除第二个折叠之外的所有数据来训练模型）。然后，保留集用于获取模型质量的第二个估计值。

我们重复这个过程，每个折叠都曾被用作保留集。综合起来，100%的数据都会在某个时刻被用作保留集，最终我们会得到一个基于数据集中所有行的模型质量度量（即使我们不同时使用所有行）。

from sklearn.model_selection import cross_val_score

# Multiply by -1 since sklearn calculates *negative* MAE
scores = -1 * cross_val_score(my_pipeline, X, y,
                              cv=5,
                              scoring='neg_mean_absolute_error')

print("Average MAE score:", scores.mean())
1
2
3
4
5
6
7
8

• 使用cross_val_score()函数来获取平均绝对误差（MAE），该值是在五个不同的折叠上求平均得到的。我们通过cv参数来设置折叠的数量。

Average MAE score: 18276.410356164386

定义一个函数用于评估随机森林回归模型在不同树的数量（n_estimators）下的性能。

def get_score(n_estimators):
    my_pipeline = Pipeline(steps=[
        ('preprocessor', SimpleImputer()),
        ('model', RandomForestRegressor(n_estimators, random_state=0))
    ])
    scores = -1 * cross_val_score(my_pipeline, X, y,
                                  cv=3,
                                  scoring='neg_mean_absolute_error')
    return scores.mean()
1
2
3
4
5
6
7
8
9

results = {i: get_score(i) for i in range(50, 450, 50)}
1

• 评估随机森林模型在八个不同的树数量下的性能：50、100、150、…、300、350、400。将结果存储在一个字典results中，其中results[i]表示get_score(i)返回的平均MAE。

import matplotlib.pyplot as plt
%matplotlib inline

plt.plot(list(results.keys()), list(results.values()))
plt.show()
1
2
3
4
5

由此可见，n_estimators设为200时，可得到最佳的随机森林模型。