नेस्टेड क्रॉस-मान्यता का कार्यान्वयन


10

मैं यह जानने की कोशिश कर रहा हूं कि क्या नेस्टेड क्रॉस-वैलिडेशन की मेरी समझ सही है, इसलिए मैंने यह देखने के लिए यह खिलौना उदाहरण लिखा है कि क्या मैं सही हूं:

import operator
import numpy as np
from sklearn import cross_validation
from sklearn import ensemble
from sklearn.datasets import load_boston

# set random state
state = 1

# load boston dataset
boston = load_boston()

X = boston.data
y = boston.target

outer_scores = []

# outer cross-validation
outer = cross_validation.KFold(len(y), n_folds=3, shuffle=True, random_state=state)
for fold, (train_index_outer, test_index_outer) in enumerate(outer):
    X_train_outer, X_test_outer = X[train_index_outer], X[test_index_outer]
    y_train_outer, y_test_outer = y[train_index_outer], y[test_index_outer]

    inner_mean_scores = []

    # define explored parameter space.
    # procedure below should be equal to GridSearchCV
    tuned_parameter = [1000, 1100, 1200]
    for param in tuned_parameter:

        inner_scores = []

        # inner cross-validation
        inner = cross_validation.KFold(len(X_train_outer), n_folds=3, shuffle=True, random_state=state)
        for train_index_inner, test_index_inner in inner:
            # split the training data of outer CV
            X_train_inner, X_test_inner = X_train_outer[train_index_inner], X_train_outer[test_index_inner]
            y_train_inner, y_test_inner = y_train_outer[train_index_inner], y_train_outer[test_index_inner]

            # fit extremely randomized trees regressor to training data of inner CV
            clf = ensemble.ExtraTreesRegressor(param, n_jobs=-1, random_state=1)
            clf.fit(X_train_inner, y_train_inner)
            inner_scores.append(clf.score(X_test_inner, y_test_inner))

        # calculate mean score for inner folds
        inner_mean_scores.append(np.mean(inner_scores))

    # get maximum score index
    index, value = max(enumerate(inner_mean_scores), key=operator.itemgetter(1))

    print 'Best parameter of %i fold: %i' % (fold + 1, tuned_parameter[index])

    # fit the selected model to the training set of outer CV
    # for prediction error estimation
    clf2 = ensemble.ExtraTreesRegressor(tuned_parameter[index], n_jobs=-1, random_state=1)
    clf2.fit(X_train_outer, y_train_outer)
    outer_scores.append(clf2.score(X_test_outer, y_test_outer))

# show the prediction error estimate produced by nested CV
print 'Unbiased prediction error: %.4f' % (np.mean(outer_scores))

# finally, fit the selected model to the whole dataset
clf3 = ensemble.ExtraTreesRegressor(tuned_parameter[index], n_jobs=-1, random_state=1)
clf3.fit(X, y)

किसी भी विचार की सराहना की।


3
क्या आप उन लोगों के लिए पाठ में क्रॉस-मान्यता की अपनी समझ का एक संस्करण प्रदान कर सकते हैं जो पायथन नहीं पढ़ते हैं?
गूँग - मोनिका

scikit-learnस्वयं का संस्करण: scikit-learn.org/stable/auto_examples/model_selection/…
ayorgo

जवाबों:


14

यूपीएस, कोड गलत है, लेकिन बहुत सूक्ष्म तरीके से!

ए) ट्रेन का विभाजन एक आंतरिक प्रशिक्षण सेट और परीक्षण सेट में ठीक है।

बी) समस्या अंतिम दो पंक्तियाँ हैं, जो एक नेस्टेड क्रॉस-वैलिडेशन के उद्देश्य के बारे में सूक्ष्म गलतफहमी को दर्शाती हैं । एक नेस्टेड सीवी का उद्देश्य मापदंडों का चयन करना नहीं है, लेकिन आपके एल्गोरिथ्म की अपेक्षित सटीकता का निष्पक्ष मूल्यांकन करना है, इस मामले ensemble.ExtraTreesRegressorमें इस डेटा में सबसे अच्छा हाइपरपरमीटर के साथ जो कुछ भी वे हो सकते हैं

और यह वही है जो आपका कोड लाइन में सही ढंग से गणना करता है:

    print 'Unbiased prediction error: %.4f' % (np.mean(outer_scores))

यह नेस्टेड-सीवी का उपयोग क्लासिफायरियर की निष्पक्ष भविष्यवाणी की गणना करने के लिए करता था। लेकिन ध्यान दें कि बाहरी लूप का प्रत्येक पास एक अलग सर्वश्रेष्ठ हाइपरपैरमीटर उत्पन्न कर सकता है, जैसा कि आप जानते थे कि जब आपने लाइन लिखी थी:

   print 'Best parameter of %i fold: %i' % (fold + 1, tuned_parameter[index])

तो अब आपको सिलवटों का उपयोग करते हुए अंतिम सर्वश्रेष्ठ हाइपरपरमीटर का चयन करने के लिए एक मानक सीवी लूप की आवश्यकता है :

tuned_parameter = [1000, 1100, 1200]
for param in tuned_parameter:

    scores = []

    # normal cross-validation
    kfolds = cross_validation.KFold(len(y), n_folds=3, shuffle=True, random_state=state)
    for train_index, test_index in kfolds:
        # split the training data
        X_train, X_test = X[train_index], X[test_index]
        y_train, y_test = y[train_index], y[test_index]

        # fit extremely randomized trees regressor to training data
        clf2_5 = ensemble.ExtraTreesRegressor(param, n_jobs=-1, random_state=1)
        clf2_5.fit(X_train, y_train)
        scores.append(clf2_5.score(X_test, y_test))

    # calculate mean score for folds
    mean_scores.append(np.mean(scores))

# get maximum score index
index, value = max(enumerate(mean_scores), key=operator.itemgetter(1))

print 'Best parameter : %i' % (tuned_parameter[index])

जो आपका कोड है, लेकिन आंतरिक निकाले जाने के संदर्भ में है।

अब सबसे अच्छा पैरामीटर है tuned_parameter[index], और अब आप clf3अपने कोड के अनुसार अंतिम क्लासिफायरियर सीख सकते हैं ।


धन्यवाद! मैंने विचार किया कि मैं अलग- bestअलग परतों में अलग- अलग मापदंडों का चयन कर सकता हूं , लेकिन मुझे नहीं पता था कि सबसे अच्छे लोगों को कैसे चुना जाए। आंकड़े . stackexchange.com/questions/65128/… - यहां, जवाब में यह उल्लेख किया गया है कि बाहरी k मॉडल से सर्वश्रेष्ठ मॉडल का चयन करना वास्तव में अवांछनीय है। शायद मैं अभी भी कुछ गलत समझ रहा हूं, लेकिन मैंने सोचा कि आंतरिक सीवी लूप का विचार सबसे अच्छा प्रदर्शन करने वाले मॉडल का चयन करना है और बाहरी सीवी लूप प्रदर्शन का अनुमान लगाना है। क्या आप कृपया पूर्ण संशोधित कोड प्रदान कर सकते हैं?
20

ठीक है, मुझे लगता है कि मुझे वह मिल गया है। मैं पूर्ण संशोधित कोड देखना चाहूंगा, हालांकि, यह सुनिश्चित करने के लिए। धन्यवाद।
अबूझ

1
मैं जैक्स वेनर के जवाब के बारे में उलझन में हूं और मुझे लगता है कि यह स्पष्ट करने लायक है। तो, क्या Wainer सुझाव देता है कि एक मानक CV लूप को प्रारंभिक प्रश्न द्वारा प्रदान किए गए कोड का पालन करना चाहिए या यह केवल प्रारंभिक "आंतरिक" भाग कोड को बदलना चाहिए? thanx

मानक CV लूप नेस्टेड CV लूप का अनुसरण करता है
जैक्स वेनर

2
पहला भाग त्रुटि की निष्पक्ष भविष्यवाणी की गणना करना है। यदि आप कई अलग-अलग एल्गोरिदम का परीक्षण कर रहे हैं, तो आपको केवल 1 भाग का प्रदर्शन करना चाहिए, फिर सबसे कम त्रुटि वाले एल्गोरिथ्म का चयन करें, और केवल एक के लिए, हाइपरपरमेटर्स का चयन करने के लिए 2 भाग का प्रदर्शन करें। यदि आप केवल एक एल्गोरिथ्म का उपयोग करने पर सेट हैं, तो पहला भाग कम महत्वपूर्ण है, जब तक कि आप अपने बॉस या क्लाइंट को स्टेटिटो नहीं देना चाहते हैं कि क्लासिफायर के भविष्य की त्रुटि का आपका सबसे अच्छा पूर्वानुमान x है, और आपको 1 का उपयोग करके x की गणना करनी चाहिए नेस्टेड सी.वी.
जैक्स वेनर

0

जैक्स के जवाब को संक्षेप में बताने के लिए,

मॉडल के निष्पक्ष त्रुटि अनुमान के लिए नेस्टेड सीवी आवश्यक है। हम इस तरीके से विभिन्न मॉडलों के स्कोर की तुलना कर सकते हैं। इस जानकारी का उपयोग करते हुए, हम चयनित मॉडलों के पैरामीटर ट्यूनिंग के लिए एक अलग K- गुना CV लूप प्रदर्शन कर सकते हैं।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.