StratifiedShuffleSplit实现分层抽样交叉验证

Go~Go~Go~

已于 2022-03-13 20:48:45 修改

阅读量5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：数学建模文章标签：机器学习 sklearn python

于 2022-03-13 20:46:29 首次发布

本文链接：https://blog.youkuaiyun.com/js010111/article/details/123465759

数学建模专栏收录该内容

5 篇文章

订阅专栏

本文介绍了如何利用StratifiedShuffleSplit进行分层抽样交叉验证，以解决K-折交叉验证中类别不平衡的问题。通过设置n_splits和random_state参数，实现数据的随机切分，并保持类别比例。在每个分割中，训练模型并计算精度，最终展示模型在不同数据子集上的泛化能力。示例中展示了基于随机森林的交叉验证过程，平均精度超过94%，证明了模型的泛化性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

`StratifiedShuffleSplit()`实现分层抽样交叉验证

1. K-折交叉验证法

交叉验证通常采用K-折交叉验证法–将训练数据拆分成K份，用其中K-1份进行训练，剩下的一份进行预测，从而检测模型的数据泛化能力。
使用cross_val_score可以实现交叉验证，但在某些场景下，为了解决不同类别的样本间数量差异较大的问题，可以引入sklearn.model_selection下的StratifiedShuffleSplit类进行分层抽样和测试数据的分割，从而提高模型的说服力。

2. `StratifiedShuffleSplit`的使用

(1) 创建`StratifiedShuffleSplit`对象

skfolds = StratifiedKFold(n_splits=3, random_state=25, shuffle=True)

n_split: 用于后续split方法中将将数据分成n_split份，其中测试数据占1份
random_state&shffle: 随机分割种子，若指定random_state，则需要设置shuffle为True。

(2) 数据切割

for train_idx, test_idx in skfolds.split(x_train, y_train):
    pass

split方法会对x_train和y_train的数据进行切分，得到train_idx和test_idx，即训练数据和测试数据的索引，其中len(train_idx) / len(test_idx) = n_split - 1。
split方法会根据y_train的类别进行分层抽样。

3. 实现分层抽样的交叉验证

cross_score_SKF = []
for train_idx, test_idx in skfolds.split(x_train, y_train):
    # print(len(train_idx) / len(test_idx))  # n_split - 1

    clone_clf = clone(RFClf)  # from sklearn.base import clone, 拷贝分类器
    # 通过索引选定训练数据集和测试数据集
    x_train_folds = x_train.iloc[train_idx]
    y_train_folds = y_train.iloc[train_idx]
    x_test_fold = x_train.iloc[test_idx]
    y_test_fold = y_train.iloc[test_idx]
	
    # 模型训练
    clone_clf.fit(x_train_folds, y_train_folds)
    y_pred_fold = clone_clf.predict(x_test_fold)
    # precision_score进行评分，也可以灵活地选择其它评分策略
    accuracy = precision_score(y_test_fold, y_pred_fold)
    cross_score_SKF.append(round(accuracy, 8))
print(cross_score_SKF)  # [0.94791667, 0.98378378, 0.97883598]

本例中建立了一个随机森林的基础模型，用precision_score即精度作为策略进行评分。
在使用StratifiedShuffleSplit实现交叉验证中，n_split参数可理解为cross_val_score()函数中的cv参数。
最终交叉验证的精度均高于94%，可以说明模型具有较强的数据泛化能力。