创建时间：2024-02-10
最后编辑时间：2024-02-10
作者：Geeker_LStar

你好呀~这里是 Geeker_LStar 的人工智能学习专栏，很高兴遇见你~
我是 Geeker_LStar，一名初三学生，热爱计算机和数学，我们一起加油~！
⭐(●’◡’●) ⭐ 那就让我们开始吧！

一、训练集、验证集和测试集

emm，看了好几篇文章，貌似这三个概念很容易混淆（尤其是验证集和测试集），所以先在这里讲明白。
一句话：训练集用于训练模型，验证集用于调整模型超参数并选择合适模型，而测试集用于评估模型性能。验证集 ≠ 测试集！

训练集 Training Set

很明显，训练集就是用于训练模型的数据。
拿中考举例，参加中考之前我们要做无数的作业练习，我们就是模型，作业题就是训练集。
一般来讲，训练集在总数据集中占的比例应该在 70% 左右。过多会造成过拟合，过少会造成欠拟合，都不利于模型的泛化。

验证集 Validation Set

验证集是个易被忽视 or 错用的概念。
还是中考的例子，在正式中考之前，我们还要参加零模一模二模三模…这些考试就是在 “验证” 用测试集训练的成果，但是又不是真正的 “测试”。
和模拟考试一样，验证集的目的是在正式用测试集评估模型之前，大致了解模型的性能并调整模型的一些参数（超参数，后面会讲），最终获得（一定范围内）性能最优的模型，进行测试。

测试集 Test Set

中考就是测试集嘛，就是在用训练集训练 & 验证集调参后，对模型性能的最终评估。测试集并不用于调整任何参数或进行任何优化。

想起了一句特别形象的至理名言：除了中高考以外的所有考试都是检测性考试（验证集），寄了没大事，后面还能调整，而中高考是选拔性考试（测试集），寄了就真寄了（（

三者关系 & 使用方法

一句话：训练集 -> 模型训练 -> 验证集 -> 超参数调整 -> 最终模型 -> 合并再训练 -> 测试集 -> 最终性能评估。

一般来讲，拿到一个数据集，要先把测试集分出来（大概 10%-20% 左右吧，看数据量有多少了），这部分数据不参与训练 & 验证的过程，从而保证测试数据全部都是未知数据，不会出现模型对某个测试数据特别熟悉的情况，更能看出模型的 “真实水平”（就像中考题永远找不到某某练习册或模拟的原题一样）。

划分完测试集，把剩下数据的 20% 左右（一样，看数据量）再分出来，作为验证集。训练之后先用验证集验证，如果效果不好，可以考虑调整模型的各种超参数。
这个 “调整超参数” 是怎么个事呢？就比如，对于支持向量机，我可以选择不同的核函数（也就是超参数），linear、poly、rbf 之类的，but 我事先并不知道哪种核函数效果最好，于是我可以先选一种，比如 linear，训练一下，再用验证集验证一下效果，发现效果不太好，于是我换一个核函数比如 poly 试试，诶发现效果还是不理想，那我再换用 rbf，发现这次效果好了，就说明最适合这个实例的核函数是径向基函数 rbf。
ok，然后超参数调整好了，找到最合适的模型了，再把训练集和验证集都合并为训练集，进行一次训练，最后用测试集进行测试，评价模型的性能。

概括为下图。

二、什么是交叉验证

一句话：交叉验证是一种评估并有利于提高机器学习模型性能的技术。
交叉验证通常把数据集分为多个子集，一部分用于训练模型（训练集），一部分用于验证 & 调参（验证集，在部分交叉验证方式中可能没有），另一部分用于（测试集）。训练+验证这个过程会重复多次，每次用于训练和验证的数据都不一样，从而得到多个独立的模型性能评估结果。通过这种方式可以优化模型参数，减少过拟合或欠拟合的发生，最终提高模型的泛化能力。

三、为什么需要交叉验证

一句话：交叉验证是为了寻找最适合的超参数，检测并提高模型的泛化能力。

简单来讲，我们现在有很多的训练数据，在不断训练的过程中，模型为了在这些训练数据上获得好的表现，会逐步调整参数来靠近这些训练数据，但这就会导致过拟合的出现，如下图中 “过拟合”。
通过图也能看出来，过拟合并不是什么好事。因为即使模型在训练数据上达到了 100% 的正确，它在新数据上的表现也不会很好，也就是它的泛化能力不强。

but，模型总归还是要用在未知数据上的，所以我们要防止过拟合的情况出现。也就是说，当我们用一批数据训练出了一个模型，必然要用另一批数据来检验一下这个模型的泛化能力，并且最好多次换用不同的数据进行训练 & 验证，最大限度地减少过拟合/欠拟合发生的可能。

同时，很多模型是有超参数的，手动 “试” 这些超参数会非常麻烦，我们可以通过交叉验证的方式，看超参数的不同取值下的模型性能，进而确定超参数要取哪个值。
这就是要进行交叉验证的原因，细节后面会详细讲。

四、如何实现交叉验证

1. Hold-out 交叉验证

方式

Hold-out 交叉验证是最简单的一种方式，它只是把原始数据集随机分成两部分，一般是训练集 70%(+)，测试集 30%(-)，在训练集上训练过后用测试集进行测试。
严格来讲，Hold-out 验证都不能被称为 “交叉验证”，因为它其实不涉及到数据的 “交叉使用”，它只进行一次训练和一次测试。
下图第二行说明了 Hold-out 训练的形式。

优点

• 训练成本低、速度快
  由于 Hold-out 验证只需要进行一次训练+测试，所以它用起来很简单、速度很快，适用于数据量很大的情况。

缺点

• 不太适合用于正负样本不平衡的数据集中。
  原因：举一个极端的例子，一个数据集中有 80% 正样本，20% 负样本，如果在随机划分的时候训练集里全是正样本，测试集里全是负样本，这事就很难办了。
  这种问题可以通过多次随机划分数据集来解决，但 hold-out 划分只随机划分一次，偶然性高，有可能遇到这种情况。
• 不太适合用于样本量小的数据集中。
  原因：样本量不大的时候，每一个样本都很重要。选取 30% 的数据作为测试集（即这部分数据没有被训练到）可能会让模型错过一些重要的特征，出现欠拟合。

代码实现

以鸢尾花数据集和逻辑回归算法为例，实现 hold-out 验证。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
iris = load_iris()
X = iris.data
Y = iris.target
print("Size of Dataset {}".format(len(X)))
logreg = LogisticRegression()
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=218)
logreg.fit(x_train, y_train)
predict = logreg.predict(x_test)
# 训练集准确率
print("Accuracy score on training set is {}".format(accuracy_score(logreg.predict(x_train),y_train)))
# 测试集准确率
print("Accuracy score on test set is {}".format(accuracy_score(predict,y_test)))

⭐2. K 折（K-fold）交叉验证

一句话：K 折交叉验证主要用于模型超参数的调整，即模型调优。

方式

K-fold 交叉验证首先分出测试集，再把剩下的数据随机平均分为 k 组，每一组都是一个 “折叠”（所以叫 K 折嘛）。
在进行训练 & 验证时，k 组中的每一组都会当一次验证集，剩下的 (k-1) 组当训练集，一共会进行 k 次训练 & 验证。k 轮过后再用测试集进行最终评估。
不过有一个要注意的小细节：第 n 折的训练不是在第 n-1 折训练的基础上进行的，相当于每一次训练前都会初始化模型参数。

下图说明了 K-fold 交叉验证的方式。

在实际训练中，一般会分为 10 个折叠，也被称为 10 折交叉验证。

除了防止过拟合，K 折法另一大作用是选择最适合的超参数值（核函数的例子），提高模型性能，过程如下：
选取参数的第一个值 A，进行 k 次训练 & 验证，将 k 次验证的准确率（或其它指标）的平均值作为 A 参数下的模型性能。再取参数的第二个值 B，重复上述过程，得到 B 参数下的模型性能。以此类推，得到同一参数的不同取值（比如核函数中的 linear、poly、rbf）下的模型性能。哪个取值下模型表现好，就用哪个值作为该参数的最终值。

优点

• K 折交叉验证是最常用的交叉验证方式。它可以用于选择最合适的超参数。
• k 次中每次都用不同的数据进行训练 & 测试，可以避免过拟合或欠拟合，提高模型的泛化能力。
• 对于小规模数据，K 折交叉验证相当于反复给它提供不同的验证数据，从一定程度上缓解了样本量不够的问题。

缺点

• 不太适合用于时间序列数据中。
  对于时间序列数据，样本顺序很重要，但 K 折交叉验证的样本是随机划分的。
• 训练成本较高，时间较长
  很好理解，如果要选择某一个参数的最优值，要进行（取值数 * k）次训练。

代码实现

还是利用鸢尾花数据集 & 逻辑回归算法实现 K-fold 交叉验证。

from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score, KFold
from sklearn.linear_model import LogisticRegression
iris = load_iris()
X = iris.data
y = iris.target
logreg = LogisticRegression()
kf = KFold(n_splits = 5)    # 划分 5 个折叠
# cross_val_score() 函数负责进行交叉验证并计算交叉验证（5 次）的得分
score = cross_val_score(logreg, X, y, cv=kf)
# 交叉验证准确率
print("Cross Validation Scores are {}".format(score))
# 平均准确率
print("Average Cross Validation score :{}".format(score.mean()))

结果是这样的：

3. 留一交叉验证

一句话：留一法是验证集只有一个样本的 K 折法。

方式

emmm，其实留一法就是 K 折法的一个特例——让 k 值等于刨除测试集后的数据集中数据的个数，每次用一个样本作为测试集（留一），其它样本作为训练集。就像这样：

优点

• 适合样本量小的数据集
  对于样本量小的数据集，每一个数据都很关键，使用留一法可以有效避免模型错过某些重要特征（之前在讲 Hold-out 的缺点时提到过）。

缺点

• 训练成本较高，耗时较长

代码实现

利用鸢尾花数据集和随机森林算法实现留一交叉验证。

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import LeaveOneOut, cross_val_score
iris = load_iris()
X = iris.data
y = iris.target
loo = LeaveOneOut()    # 留一法函数
tree = RandomForestClassifier(n_estimators=10, max_depth=5, n_jobs=-1)
score=cross_val_score(tree, X, y, cv=loo)
# 交叉验证准确率
print("Cross Validation Scores are {}".format(score))
# 交叉验证平均准确率
print("Average Cross Validation score :{}".format(score.mean()))

4. 蒙特卡罗交叉验证

emm 这貌似不太常用诶不过还是讲一下吧。

方式

和 K 折或留一法不同，蒙特卡罗交叉验证并不一定要 “随机平均分不同的折”，也不用 “一次一折” 地训练。它允许我们自由决定要用做训练集和验证集的百分比，自由决定训练次数，同时训练集和验证集的百分比加起来不需要是 100%。

比如，我们有 100 个样本，其中 60% 的样本用作训练集，20% 的样本用作验证集，那么剩下的 20% 将不被使用，这种形式重复 n 次。

蒙特卡罗交叉验证的方式如下图。

代码实现

利用鸢尾花数据集和逻辑回归算法实现蒙特卡罗交叉验证。

from sklearn.model_selection import ShuffleSplit,cross_val_score
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
shuffle_split = ShuffleSplit(test_size=0.3,train_size=0.5,n_splits=10)
scores=cross_val_score(logreg, iris.data, iris.target, cv=shuffle_split)
print("cross Validation scores:n {}".format(scores))
print("Average Cross Validation score :{}".format(scores.mean()))

5. 时间序列交叉验证

一句话：时间序列交叉验证专门用于处理在不同时间点（时间序列）收集的数据。

方式

“时间序列数据” 就是在不同时间点收集的数据。由于样本是在相邻时间段收集的，因此样本之间可能存在相关性。在这种情况下，我们不能随机选择样本并将它们分配给训练集或验证集，因为这会破坏样本之间（可能存在）的相关性，同时，使用未来数据的值去预测过去数据的值是没有意义的。

so，这种时候，我们需要根据时间顺序将数据拆分为训练集和验证集，也称为 “前向链” 方法或滚动交叉验证。先用一小部分样本作为训练集，预测稍后的样本的值，检查准确性。再将预测样本作为下一个训练数据集的一部分，对后续样本进行预测，以此类推。

大概是这样的：

代码实现

这个只能自造数据了（（

import numpy as np
from sklearn.model_selection import TimeSeriesSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4, 5, 6])
time_series = TimeSeriesSplit()
print(time_series)    # 时间序列
for train_index, test_index in time_series.split(X):
    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]

---

ok！！以上就是机器学习中的各种交叉验证方法，其中 K 折法最常用。

这篇文章讲了机器学习中的各种交叉验证方法（方式+优缺点+代码实现），希望对你有所帮助！⭐
欢迎三连！！一起加油！🎇
——Geeker_LStar