数据挖掘｜cross_val_score 交叉验证使用

• 背景

• 原理

• 适用场景

• 案例说明

背景

通过模型验证结果，根据结果来选择最合适的模型。特别是对于监督学习而言，会希望好的模型对未知数据处理有很强的泛化能力。目前模型常用的几种方式。

​

1. 用训练准确度，也就是全部数据进行训练和测试。这种方法可能会导致模型过拟合；

2. 用测试准确度，可以有效避免过拟合，也是最常用的方式。具体是将所有数据分成训练集和测试集两部分，用训练集进行模型训练，得到的模型再用测试集来衡量模型的预测表现能力。测试准确度的缺点是其样本准确度是一个高方差估计。样本准确度依赖不同的测试集，每次测试集结果是不同的，结果呈现是一组低偏差，高方差数据；

3. 交叉验证。也叫 K 折交叉验证，是在测试准确度的基础上，确定把训练集、测试集分成 K 次（K 取决于数据量大小或者个人经验），然后取结果平均值。

原理

1. 将数据集平均分割成 K 个等份；

2. 使用 1 份数据作为测试数据，其余作为训练数据；

3. 计算测试集准确率；

4. 使用不同的测试集，重复 2、3 步骤；

5. 测试集准确率取平均值，作为对未知数据预测准确率的估计。

注意：

1. K = 10 是常规建议，如上面所说，K 取决于数据量大小、个人经验、分析目的。

2. 对于分类问题，应该使用分层抽样（stratified sampling）来生成数据，保证正负例的比例在训练集和测试集中的比例相同。

适用场景

在模型选择、参数选择、交叉验证的场景下可以使用交叉验证。

案例说明

使用鸢尾花数据集，KNN 和 logistic 回归模型进行模型的比较和选择。

from sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.model_selection import cross_val_score
# 鸢尾花数据集iris = load_iris()X = iris.datay = iris.target
# K近邻和逻辑回归对比，交叉验证取10折from sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier(n_neighbors=20)print(cross_val_score(knn, X, y, cv=10, scoring='accuracy').mean())
# 交叉验证同样取10折from sklearn.linear_model import LogisticRegressionlogreg = LogisticRegression()print(cross_val_score(logreg, X, y, cv=10, scoring='accuracy').mean())

0.98000000000000010.9733333333333334