在预处理和降维之前或之后将 X 拆分为 test/train？机器学习

Question

我已经完成了 Microsoft 的课程 DAT210X - Programming with Python for Data Science。

在为机器学习创建 SVC 模型时，我们鼓励将数据集 X 拆分为 test 和 train 组，使用 sci-kit learn 中的 train_test_split ]，在执行 preprocessing 之前，例如scaling 和 dimension reduction 例如PCA/Isomap。我在下面包含了一个代码示例，它是我使用这种做事方式为给定问题编写的解决方案的一部分。

然而，在将 X 拆分为 test 和 train 之前，X 上的 preprocess 和 PCA/IsoMap 似乎要快得多，并且 accuracy得分。

我的问题是：

1) 有什么理由不能切出标签(y)，对所有的X进行预处理和降维，然后再拆分出来测试和训练？

2) 对所有 X（负 y）进行预处理和降维的得分高于拆分 X 然后进行预处理和降维的得分。为什么会这样？

X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=0.30, random_state=7)

step_c = .05
endpt_c = 2 + step_c
startpt_c = .05

step_g = .001
endpt_g = .1 + step_g
startpt_g = .001

bestscore = 0.0
best_i = 0.0
best_j = 0.0

pre_proc = [
        preprocessing.Normalizer(),
        preprocessing.MaxAbsScaler(),
        preprocessing.MinMaxScaler(),
        preprocessing.KernelCenterer(), 
        preprocessing.StandardScaler()
       ]
best_proc = ''
best_score = 0

print('running......')

# pre-processing (scaling etc)
for T in pre_proc: 
    X_train_T = T.fit_transform(X_train) 
    X_test_T =  T.transform(X_test) # only apply transform to X_test!

    # dimensionality reduction
    for k in range(2, 6):
        for l in range(4, 7):
            iso = Isomap(n_neighbors = k, n_components = l)
            X_train_iso = iso.fit_transform(X_train_T)
            X_test_iso = iso.transform(X_test_T)

            # SVC parameter sweeping
            for i in np.arange(startpt_c,endpt_c, step_c):
                # print(i)
                for j in np.arange(startpt_g,endpt_g, step_g):

                    clf = SVC(C=i, gamma=j , kernel='rbf'
                    # max_iter=-1, probability=False, random_state=None,   shrinking=True, tol=0.001, verbose=False)
                )
                    clf.fit(X_train_iso, y_train) 
                    score = clf.score(X_test_iso, y_test)

                    if bestscore < score:
                        bestscore = score
                        best_c = i
                        best_g = j
                        best_proc = T
                        best_n_neighbors = k
                        best_n_components = l

# Print final variables that gave best score:
print('proc: ' + str(T), 'score:' + str(bestscore), 'C: ' + str(i), 'g: ' + str(j), 'n_neigh: ' + str(k), 'n_comp: ' + str(l))enter code here

Answer 1

关于

1) Is there a reason why we can't slice out the label (y) and perform pre-processing and dimension reduction on all of X before splitting out to test and train?

原因是您应该在训练数据上训练您的模型，而不使用任何关于测试数据的信息。如果您在训练模型之前对整个数据（包括测试数据）应用 PCA，那么您实际上使用了测试数据中的一些信息。因此，您无法使用测试数据真正判断模型的行为，因为它不再是看不见的数据。

关于：

2) There was a higher score with pre-processing and dimension reduction on all of X (minus y) than for splitting X and then performing pre-processing and dimension reduction. Why might this be?

这完全有道理。您使用了测试数据中的一些信息来训练模型，因此测试数据的分数会更高是有道理的。然而，这个分数并没有真正给出模型在看不见的数据上的行为的估计。

在预处理和降维之前或之后将 X 拆分为 test/train？机器学习

Split X into test/train before pre-processing and dimension reduction or after? Machine Learning

python

machine-learning

svm

dimensionality-reduction

scikit-learn