Question

我有一个20列的矩阵。最后一列是0/1标签。

数据链接为here。

我正在尝试使用交叉验证在数据集上运行随机林。我使用两种方法：

使用sklearn.cross_validation.cross_val_score
使用sklearn.cross_validation.train_test_split

当我做我认为完全相同的事情时，我会得到不同的结果。举例来说，我使用上面的两种方法运行双重交叉验证，如下面的代码所示。

import csv
import numpy as np
import pandas as pd
from sklearn import ensemble
from sklearn.metrics import roc_auc_score
from sklearn.cross_validation import train_test_split
from sklearn.cross_validation import cross_val_score

#read in the data
data = pd.read_csv('data_so.csv', header=None)
X = data.iloc[:,0:18]
y = data.iloc[:,19]

depth = 5
maxFeat = 3 

result = cross_val_score(ensemble.RandomForestClassifier(n_estimators=1000, max_depth=depth, max_features=maxFeat, oob_score=False), X, y, scoring='roc_auc', cv=2)

result
# result is now something like array([ 0.66773295,  0.58824739])

xtrain, xtest, ytrain, ytest = train_test_split(X, y, test_size=0.50)

RFModel = ensemble.RandomForestClassifier(n_estimators=1000, max_depth=depth, max_features=maxFeat, oob_score=False)
RFModel.fit(xtrain,ytrain)
prediction = RFModel.predict_proba(xtest)
auc = roc_auc_score(ytest, prediction[:,1:2])
print auc    #something like 0.83

RFModel.fit(xtest,ytest)
prediction = RFModel.predict_proba(xtrain)
auc = roc_auc_score(ytrain, prediction[:,1:2])
print auc    #also something like 0.83

我的问题是：

为什么我会得到不同的结果，即，当我使用train_test_split时，为什么AUC（我使用的指标）更高？

注意：当我使用更多折叠（比如说10倍）时，我的结果中似乎有某种模式，第一次计算总是给我最高的AUC。

在上例中的双重交叉验证的情况下，第一个AUC总是高于第二个AUC;它总是像0.70和0.58。

感谢您的帮助！

Answer 1

使用cross_val_score时，您经常需要使用KFolds或StratifiedKFolds迭代器：

http://scikit-learn.org/0.10/modules/cross_validation.html#computing-cross-validated-metrics

http://scikit-learn.org/0.10/modules/generated/sklearn.cross_validation.KFold.html#sklearn.cross_validation.KFold

默认情况下，cross_val_score不会随机化您的数据，如果您的数据不是随机的，那么这会产生奇怪的结果。

KFolds迭代器有一个随机状态参数：

http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.KFold.html

train_test_split也是如此，默认情况下会随机化：

http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.train_test_split.html

您所描述的模式通常是火车/测试集中缺乏随机性的结果。

Answer 2

答案是@KCzar指出的。只是要注意一下，我发现对数据（具有相同索引改组的X和y）进行随机化的最简单方法如下：

p = np.random.permutation(len(X))
X, y = X[p], y[p]

来源：Better way to shuffle two numpy arrays in unison

在sklearn.cross_validation中使用train_test_split和cross_val_score之间的区别

2 个答案: