Question

我正在处理一个不平衡的分类问题，我的负面课程比我的正面课程多1000倍。我的策略是在平衡（50/50比率）训练集上训练深度神经网络（我有足够的模拟样本），然后使用不平衡（1/1000比率）验证集来选择最佳模型并优化超参数

由于参数数量很大，我想使用scikit-learn RandomizedSearchCV，即随机网格搜索。

据我所知，sk-learn GridSearch在训练集上应用一个度量标准来选择最佳的超参数集。然而，就我而言，这意味着GridSearch将选择针对平衡训练集执行效果最佳的模型，而不是针对更现实的不平衡数据。

我的问题是：是否有一种方法可以使用特定的用户定义验证集估计性能进行网格搜索？

Answer 1

正如评论中所建议的那样，你需要的是PredefinedSplit。它在question here

中描述

关于工作，您可以看到文档中给出的示例：

from sklearn.model_selection import PredefinedSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])

#This is what you need
test_fold = [0, 1, -1, 1]

ps = PredefinedSplit(test_fold)
ps.get_n_splits()
#OUTPUT
2

for train_index, test_index in ps.split():
   print("TRAIN:", train_index, "TEST:", test_index)
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

#OUTPUT
TRAIN: [1 2 3] TEST: [0]
TRAIN: [0 2] TEST: [1 3]

正如您在此处所见，您需要为test_fold分配一个索引列表，这些索引将用于拆分数据。 -1将用于样本索引，这些样本未包含在验证集中。

所以在上面的代码中，test_fold = [0, 1, -1, 1]表示在第一个验证集中（样本中的索引，其值在test_fold中为0），索引为0.而第二个是test_fold具有值= 1的位置，索引1和3。

但是当您说您有X_train和X_test时，如果您只想从X_test设置验证集，那么您需要执行以下操作：

my_test_fold = []

# put -1 here, so they will be in training set
for i in range(len(X_train)):
    my_test_fold.append(-1)

# for all greater indices, assign 0, so they will be put in test set
for i in range(len(X_test)):
    my_test_fold.append(0)

#Combine the X_train and X_test into one array:
import numpy as np

clf = RandomizedSearchCV( ...    cv = PredefinedSplit(test_fold=my_test_fold))
clf.fit(np.concatenate((X_train, X_test), axis=0), np.concatenate((y_train, y_test), axis=0))

Python，机器学习 - 在自定义验证集上执行网格搜索

1 个答案: