为什么交叉验证 RF 分类的性能比没有交叉验证的差？

Question

我很困惑为什么没有交叉验证的随机森林 classification 模型产生的平均准确度得分为 .996，但经过 5 次交叉验证后，模型的平均准确度得分为 .687。

有 275,956 个样本。 Class 0 = 217891，class 1 = 6073，class 2 = 51992

我正在尝试预测 "TARGET" 列，即 3 classes [0,1,2]:

data.head()
bottom_temperature  bottom_humidity top_temperature top_humidity    external_temperature    external_humidity   weight  TARGET  
26.35   42.94   27.15   40.43   27.19   0.0  0.0    1   
36.39   82.40   33.39   49.08   29.06   0.0  0.0    1   
36.32   73.74   33.84   42.41   21.25   0.0  0.0    1

根据文档，数据分为训练和测试

# link to docs http://scikit-learn.org/stable/modules/cross_validation.html
from sklearn.model_selection import train_test_split
from sklearn import datasets
from sklearn import svm

# Create a list of the feature column's names
features = data.columns[:7]

# View features
features
Out[]: Index([u'bottom_temperature', u'bottom_humidity', u'top_temperature',
       u'top_humidity', u'external_temperature', u'external_humidity',
       u'weight'],
      dtype='object')


#split data
X_train, X_test, y_train, y_test = train_test_split(data[features], data.TARGET, test_size=0.4, random_state=0)

#build model
clf = RandomForestClassifier(n_jobs=2, random_state=0)
clf.fit(X_train, y_train)

#predict
preds = clf.predict(X_test)

#accuracy of predictions
accuracy = accuracy_score(y_test, preds)
print('Mean accuracy score:', accuracy)

('Mean accuracy score:', 0.96607267423425713)

#verify - its the same
clf.score(X_test, y_test)
0.96607267423425713

关于交叉验证：

from sklearn.model_selection import cross_val_score
scores = cross_val_score(clf, data[features], data.TARGET, cv=5)
print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

Accuracy: 0.69 (+/- 0.07)

低多了！

并验证第二种方式：

#predict with CV
# http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html#sklearn.model_selection.cross_val_predict
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(clf, data[features], data.queen3, cv=5)
metrics.accuracy_score(data.queen3, predicted) 

Out[]: 0.68741031178883594

根据我的理解，交叉验证不应将预测的准确性降低这个数量，但会提高模型的预测，因为模型已经看到所有数据的 "better" 表示。

Answer 1

在 train_test_split 中，您仅将 60% 的数据用于训练 (test_size=0.4) 一次。但是在 cross_val_score 中，数据将被分成 80% train (cv = 5) 5 次（每次 4 折将成为 train，剩下 1 折作为测试）。

现在你应该认为 80% 的训练数据超过 60% 所以准确率应该不会下降。但这里还有一件事需要注意。

默认情况下train_test_split不会对拆分进行分层，但会在cross_val_score中进行。分层使每个折叠中类（目标）的比例保持相同。所以最有可能的是，train_test_split 中目标的比例没有保持，这导致分类器 over-fitting，因此得分很高。

我建议取 cross_val_score 作为最终得分。

Answer 2

通常我会同意 Vivek 并告诉你要相信你的 cross-validation。

然而，某种程度的 CV 是随机森林中固有的，因为每棵树都是从引导样本中生长出来的，所以当运行ning cross-validation。我怀疑您的问题是由于数据排序中的某种时间或 location-dependency 引起的。

当您使用 train_test_split 时，数据是从数据集中随机抽取的，因此您的所有 80 个环境都可能出现在您的训练和测试数据集中。但是，当您使用 CV 的默认选项拆分时，我相信每个折叠都是按顺序绘制的，因此您的每个环境都不会出现在每个折叠中（假设您的数据按环境排序）。这会导致准确性降低，因为您是在使用另一个环境的数据来预测一个环境。

简单的解决方案是设置cv=ms.StratifiedKFold(n_splits=5, shuffle=True)。

在使用串联数据集之前，我已经运行多次遇到过这个问题，而且肯定有数百人已经意识到或没有意识到问题所在。默认行为的想法是维护时间序列中的顺序（根据我在 GitHub 讨论中看到的内容）。

Answer 3

您的数据可能有一些固有的顺序。做CV的时候把"shuffle"改成true

为什么交叉验证 RF 分类的性能比没有交叉验证的差？

Why does cross validation RF classification perform worse than without cross validation?

python

scikit-learn

random-forest

cross-validation