我需要在某些模型上进行K折CV,但是我需要确保将验证(测试)数据集按组和t
年数聚集在一起。 GroupKFold
已经结束,但是仍然可以拆分验证集(请参阅第二折)。
例如,如果我有一组2000-2008年的数据,而我想将K分为3组。适当的设置是:验证:2000-2002,火车:2003-2008; V:2003-2005,T:2000-2002和2006-2008;和V:2006-2008,T:2000-2005)。
是否有一种方法可以使用K-Fold CV对数据进行分组和聚类,其中验证集按t
年聚类?
from sklearn.model_selection import GroupKFold
X = [0.1, 0.2, 2.2, 2.4, 2.3, 4.55, 5.8, 8.8, 9, 10, 0.1, 0.2, 2.2]
y = ["a", "b", "b", "b", "c", "c", "c", "d", "d", "d", "a", "b", "b"]
groups = [1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4]
gkf = GroupKFold(n_splits=2)
for train_index, test_index in gkf.split(X, y, groups=groups):
print("Train:", train_index, "Validation:",test_index)
输出:
Train: [ 0 1 2 3 4 5 10 11 12] Validation: [6 7 8 9]
Train: [3 4 5 6 7 8 9] Validation: [ 0 1 2 10 11 12]
Train: [ 0 1 2 6 7 8 9 10 11 12] Validation: [3 4 5]
期望的输出(每组假设2年):
Train: [ 7 8 9 10 11 12 ] Validation: [0 1 2 3 4 5 6]
Train: [0 1 2 10 11 12 ] Validation: [ 3 4 5 6 7 8 9 ]
Train: [ 0 1 2 3 4 5 ] Validation: [6 7 8 9 10 11 12]
尽管,测试和训练子集并不是连续的,可以选择更多的年份进行分组。
答案 0 :(得分:3)
希望我能正确理解你。
scikits var UserSchema = mongoose.Schema({
name: String,
username: {
type: String,
required: true,
unique: true
},
password: {
type: String,
required: true
}
});
// compile schema to model
var User = mongoose.model('User', UserSchema);
中的LeaveOneGroupOut方法可能有帮助:
假设您为2000-2002年的所有数据点分配组标签0,为2003年至2005年之间的所有数据点分配标签1,并为2006-2008年的数据分配标签2。 然后,您可以使用以下方法来创建训练和测试组,其中三个组是从三个组之一创建的:
model_selection
输出:
from sklearn.model_selection import LeaveOneGroupOut
import numpy as np
groups=[1,1,1,1,2,2,2,2,2,2,3,3,3,3,3,3,3,3]
X=np.random.random(len(groups))
y=np.random.randint(0,4,len(groups))
logo = LeaveOneGroupOut()
print("n_splits=", logo.get_n_splits(X,y,groups))
for train_index, test_index in logo.split(X, y, groups):
print("train_idx:", train_index, "test_idx:", test_index)
我想我现在终于明白了你想要什么。抱歉,我花了这么长时间。
我认为您所需的拆分方法已在sklearn中实现。但是我们可以轻松扩展BaseCrossValidator方法。
n_splits= 3
train_idx: [ 4 5 6 7 8 9 10 11 12 13 14 15 16 17] test_idx: [0 1 2 3]
train_idx: [ 0 1 2 3 10 11 12 13 14 15 16 17] test_idx: [4 5 6 7 8 9]
train_idx: [0 1 2 3 4 5 6 7 8 9] test_idx: [10 11 12 13 14 15 16 17]
用法非常简单。和以前一样,我们定义import numpy as np
from sklearn.model_selection import BaseCrossValidator
from sklearn.utils.validation import check_array
class GroupOfGroups(BaseCrossValidator):
def __init__(self, group_of_groups):
"""
:param group_of_groups: list with length n_splits. Each entry in the list is a list with group ids from
set(groups). In each of the n_splits splits, the groups given in the current group_of_groups sublist are used
for validation.
"""
self.group_of_groups = group_of_groups
def get_n_splits(self, X=None, y=None, groups=None):
return len(self.group_of_groups)
def _iter_test_masks(self, X=None, y=None, groups=None):
if groups is None:
raise ValueError("The 'groups' parameter should not be None.")
groups=check_array(groups, copy=True, ensure_2d=False, dtype=None)
for g in self.group_of_groups:
test_index = np.zeros(len(groups), dtype=np.bool)
for g_id in g:
test_index[groups == g_id] = True
yield test_index
和X,y
。另外,我们定义了一个列表列表(一组组),这些列表定义了哪些组应在哪个测试折叠中一起使用。
因此groups
意味着第一组中的第1组和第2组用作测试集,而其余3和4组则用于训练。在第二张中,将第2组和第3组的数据用作测试集等。
我对“ GroupOfGroups”的命名并不满意,所以也许您会发现更好的东西。
现在我们可以测试此交叉验证器:
g_of_g=[[1,2],[2,3],[3,4]]
输出:
X = [0.1, 0.2, 2.2, 2.4, 2.3, 4.55, 5.8, 8.8, 9, 10, 0.1, 0.2, 2.2]
y = ["a", "b", "b", "b", "c", "c", "c", "d", "d", "d", "a", "b", "b"]
groups = [1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4]
g_of_g = [[1,2],[2,3],[3,4]]
gg = GroupOfGroups(g_of_g)
print("n_splits=", gg.get_n_splits(X,y,groups))
for train_index, test_index in gg.split(X, y, groups):
print("train_idx:", train_index, "test_idx:", test_index)
请记住,我没有进行很多检查,也没有进行全面的测试。因此,请仔细验证它是否适合您。