Question

我有一个小语料库，我想用10倍交叉验证来计算朴素贝叶斯分类器的准确性，怎么做呢。

Answer 1

您的选择是自己设置或使用NLTK-Trainer之类的内容，因为NLTK doesn't directly support cross-validation for machine learning algorithms。

我建议可能只是使用另一个模块为你做这个，但如果你真的想编写自己的代码，你可以做类似以下的事情。

假设您需要 10倍，则必须将训练集划分为10个子集，在9/10上训练，对剩余的1/10进行测试，并为每个子集组合（10）执行此操作。

假设您的训练集位于名为training的列表中，实现此目的的简单方法是，

num_folds = 10
subset_size = len(training)/num_folds
for i in range(num_folds):
    testing_this_round = training[i*subset_size:][:subset_size]
    training_this_round = training[:i*subset_size] + training[(i+1)*subset_size:]
    # train using training_this_round
    # evaluate against testing_this_round
    # save accuracy

# find mean accuracy over all rounds

Answer 2

实际上，不需要在最受欢迎的答案中提供的长循环迭代。分类器的选择也无关紧要（它可以是任何分类器）。

Scikit提供了cross_val_score，它可以完成所有循环。

from sklearn.cross_validation import KFold, cross_val_score
k_fold = KFold(len(y), n_folds=10, shuffle=True, random_state=0)
clf = <any classifier>
print cross_val_score(clf, X, y, cv=k_fold, n_jobs=1)

Answer 3

我已将两个库和NLTK用于naivebayes sklearn进行交叉验证，如下所示：

import nltk
from sklearn import cross_validation
training_set = nltk.classify.apply_features(extract_features, documents)
cv = cross_validation.KFold(len(training_set), n_folds=10, indices=True, shuffle=False, random_state=None, k=None)

for traincv, testcv in cv:
    classifier = nltk.NaiveBayesClassifier.train(training_set[traincv[0]:traincv[len(traincv)-1]])
    print 'accuracy:', nltk.classify.util.accuracy(classifier, training_set[testcv[0]:testcv[len(testcv)-1]])

最后我计算了平均准确度

Answer 4

修改了第二个答案：

cv = cross_validation.KFold(len(training_set), n_folds=10, shuffle=True, random_state=None)

Answer 5

从Jared's answer启发，这是使用生成器的版本：

CFData

我假设您的数据集def k_fold_generator(X, y, k_fold): subset_size = len(X) / k_fold # Cast to int if using Python 3 for k in range(k_fold): X_train = X[:k * subset_size] + X[(k + 1) * subset_size:] X_valid = X[k * subset_size:][:subset_size] y_train = y[:k * subset_size] + y[(k + 1) * subset_size:] y_valid = y[k * subset_size:][:subset_size] yield X_train, y_train, X_valid, y_valid有N个数据点（示例中为= 4）和D个要素（示例中为= 2）。关联的N个标签存储在X。

中

如何在带有朴素贝叶斯分类器和NLTK的scikit中使用k-fold交叉验证

5 个答案: