Question

我在scikit-learn中学习曲线生成时遇到了一个特别奇怪的问题。随后运行生成学习曲线的脚本会返回相同的结果。如果我更改了ShuffleSplit对象或学习曲线对象的任何参数，我将在运行之间得到不同的结果。但如果我将这些参数保持不变，输出将是相同的。

我将ShuffleSplit对象设置为10％用于训练，10％用于测试和3次迭代。我这样做是为了避免培训/测试装置的内容即使按不同的顺序排列也是相同的。 ShuffleSplit应该采用随机索引来生成每个集合（我已经验证它是这样做的）。因此，如果训练集在后续运行中有所不同，即使是轻微的，贝叶斯模型应该有不同的训练和测试错误，对吗？

几乎看起来好像是在缓存分数，直到ShuffleSplit对象或learning_curve方法的参数，它只返回缓存的结果。我想不出任何其他解释。任何想法??

以下是该问题的简化示例，基于http://scikit-learn.org/stable/auto_examples/plot_learning_curve.html处的scikit-learn示例代码和数据集：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import cross_validation
from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_digits
from sklearn.learning_curve import learning_curve


def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
                        n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
    plt.figure()
    plt.title(title)
    if ylim is not None:
        plt.ylim(*ylim)
    plt.xlabel("Training examples")
    plt.ylabel("Score")
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
    train_scores_mean = np.mean(train_scores, axis=1)
    train_scores_std = np.std(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    test_scores_std = np.std(test_scores, axis=1)
    plt.grid()

    plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
                     train_scores_mean + train_scores_std, alpha=0.1,
                     color="r")
    plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
                     test_scores_mean + test_scores_std, alpha=0.1, color="g")
    plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
             label="Training score")
    plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
             label="Cross-validation score")

    plt.legend(loc="best")
    return plt


digits = load_digits()
X, y = digits.data, digits.target

title = "Learning Curves (Naive Bayes)"
cv = cross_validation.ShuffleSplit(digits.data.shape[0], n_iter=3, 
                                   train_size=0.2, test_size=0.1, 
                                   random_state=0)

estimator = GaussianNB()
plot_learning_curve(estimator, title, X, y, ylim=(0.7, 1.01), cv=cv, n_jobs=1)

plt.show()

Answer 1

您可以使用关键字参数ShuffleSplit主动更改random_state对象的随机种子。

from sklearn.cross_validation import ShuffleSplit
cv = ShuffleSplit(n_samples, n_iter=10, test_size=.1, random_state=42)

每次创建cv对象时都要更改它，您应该获得不同的结果。

使用ShuffleSplit在后续运行中获得相同的学习曲线

1 个答案: