为什么在相同数据和相同算法上进行评估时会产生两个不同的AUC分数

Question

我正在研究一个分类问题，其评估指标在ROC AUC中。到目前为止，我已尝试使用具有不同参数的xgb。这是我用来对数据进行采样的函数。您可以找到相关的笔记本here (google colab)

def get_data(x_train, y_train, shuffle=False):

  if shuffle:
    total_train = pd.concat([x_train, y_train], axis=1)

    # generate n random number in range(0, len(data))
    n = np.random.randint(0, len(total_train), size=len(total_train))
    x_train = total_train.iloc[n]
    y_train = total_train.iloc[n]['is_pass']
    x_train.drop('is_pass', axis=1, inplace=True)

    # keep the first 1000 rows as test data
    x_test = x_train.iloc[:1000]
    # keep the 1000 to 10000 rows as validation data
    x_valid = x_train.iloc[1000:10000]
    x_train = x_train.iloc[10000:]

    y_test = y_train[:1000]
    y_valid = y_train[1000:10000]
    y_train = y_train.iloc[10000:]

    return x_train, x_valid, x_test, y_train, y_valid, y_test

  else:
    # keep the first 1000 rows as test data
    x_test = x_train.iloc[:1000]
    # keep the 1000 to 10000 rows as validation data
    x_valid = x_train.iloc[1000:10000]
    x_train = x_train.iloc[10000:]

    y_test = y_train[:1000]
    y_valid = y_train[1000:10000]
    y_train = y_train.iloc[10000:]

    return x_train, x_valid, x_test, y_train, y_valid, y_test 

以下是在混洗和非混洗数据上运行后得到的两个输出

AUC with shuffling:  0.9021756235738453
AUC without shuffling:  0.8025162142685565

你能在这里找出问题所在吗？

Answer 1

问题在于，在实施改组时，np.random.randint会生成随机数，但可以重复这些数字，因此您的列车和测试+有效集中会出现相同的事件。您应该使用np.random.permutation代替（并考虑使用np.random.seed来确保结果的可重复性。）

另一个注意事项 - 训练和验证/测试集之间的性能差异非常大（训练显示几乎完美的ROC AUC）。我猜，这是因为树的最大深度太高（14），你允许你拥有的数据集大小（~60K）

P.S。感谢分享协作链接 - 我不知道它，但它非常有用。