Question

我正在使用StratifiedKFold，因此我的代码如下所示

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]        
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)
        scores.append(roc_auc_score(y_valid, y_pred_valid))
    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))
folds = StratifiedKFold(10,shuffle=True,random_state=0)
lr = LogisticRegression(class_weight='balanced',penalty='l1',C=0.1,solver='liblinear')
train_model(X_train,y_train,X_test,repeted_folds,lr)

现在在训练模型之前，我想对数据进行标准化，这是正确的方法？
1）

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

在调用train_model函数之前执行此操作

2）
在这样的内部函数中进行标准化

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]
        scaler = StandardScaler()
        X_train = scaler.fit_transform(X_train)
        X_vaid = scaler.transform(X_valid)
        X_test = scaler.transform(X_test)
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)

        scores.append(roc_auc_score(y_valid, y_pred_valid))

    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))

根据我在第二个选项中的了解，我不会泄漏数据。所以，如果我不使用管道，哪种方法是正确的？如果要使用交叉验证，该如何使用管道？

Answer 1

何时对数据进行标准化可能是一个更适合Cross Validated的问题。

IMO，如果您的数据很大，那么可能没什么大不了的（如果您使用的是k倍，则可能不是这种情况），但既然可以，最好在交叉验证中进行（k -fold）或选项2。

另外，请参见this，了解有关交叉验证中过度拟合的更多信息。

Answer 2

实际上，第二个选项更好，因为缩放器看不到要缩放X_valid的{{1}}的值。

现在，如果您要使用管道，则可以执行以下操作：

X_train

然后使用from sklearn.pipeline import make_pipeline def train_model(X,y,X_test,folds,model): pipeline = make_pipeline(StandardScaler(), model) ...代替pipeline。在每次model或fit调用时，它将自动标准化手头的数据。

请注意，您还可以使用scikit-learn的cross_val_score函数，其参数为predict。

通过K折交叉验证标准化数据

2 个答案: