使用 train_test_split 与手动拆分数据时的不同结果

Question

我有一个 pandas 数据框，我想对其进行预测并获取每个特征的均方根误差。我正在遵循手动拆分数据集的在线指南，但我认为使用 sklearn.model_selection 中的 train_test_split 会更方便。不幸的是，在手动拆分数据与使用 train_test_split.

后查看 rmse 值时，我得到了不同的结果

一个（希望）可重现的例子：

import pandas as pd
import numpy as np
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

np.random.seed(0)
df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=['feature_1','feature_2','feature_3','feature_4'])
df['target'] = np.random.randint(2,size=100)
df2 = df.copy()

这是一个函数，knn_train_test，它手动拆分数据、拟合模型、进行预测等：

def knn_train_test(train_col, target_col, df):
    knn = KNeighborsRegressor()
    np.random.seed(0)

    # Randomize order of rows in data frame.
    shuffled_index = np.random.permutation(df.index)
    rand_df = df.reindex(shuffled_index)

    # Divide number of rows in half and round.
    last_train_row = int(len(rand_df) / 2)

    # Select the first half and set as training set.
    # Select the second half and set as test set.
    train_df = rand_df.iloc[0:last_train_row]
    test_df = rand_df.iloc[last_train_row:]

    # Fit a KNN model using default k value.
    knn.fit(train_df[[train_col]], train_df[target_col])

    # Make predictions using model.
    predicted_labels = knn.predict(test_df[[train_col]])

    # Calculate and return RMSE.
    mse = mean_squared_error(test_df[target_col], predicted_labels)
    rmse = np.sqrt(mse)
    return rmse

rmse_results = {}
train_cols = df.columns.drop('target')

# For each column (minus `target`), train a model, return RMSE value
# and add to the dictionary `rmse_results`.
for col in train_cols:
    rmse_val = knn_train_test(col, 'target', df)
    rmse_results[col] = rmse_val

# Create a Series object from the dictionary so 
# we can easily view the results, sort, etc
rmse_results_series = pd.Series(rmse_results)
rmse_results_series.sort_values()

#Output
feature_3    0.541110
feature_2    0.548452
feature_4    0.559285
feature_1    0.569912
dtype: float64

现在，这里有一个函数 knn_train_test2，它使用 train_test_split:

拆分数据

def knn_train_test2(train_col, target_col, df2):

    knn = KNeighborsRegressor()
    np.random.seed(0)

    X_train, X_test, y_train, y_test = train_test_split(df2[[train_col]],df2[[target_col]], test_size=0.5)

    knn.fit(X_train,y_train)

    predictions = knn.predict(X_test)

    mse = mean_squared_error(y_test,predictions)

    rmse = np.sqrt(mse)

    return rmse

rmse_results = {}
train_cols = df2.columns.drop('target')

for col in train_cols:
    rmse_val = knn_train_test2(col, 'target', df2)
    rmse_results[col] = rmse_val


rmse_results_series = pd.Series(rmse_results)
rmse_results_series.sort_values()

# Output
feature_4    0.522303
feature_3    0.556417
feature_1    0.569210
feature_2    0.572713
dtype: float64

为什么我得到不同的结果？我想我误解了一般的 split > train > test 过程，或者 misunderstanding/mis-specifying train_test_split。提前谢谢你

Answer 1

手动拆分数据只是切片，但train_test_split也会随机化切片数据。尝试修复随机数种子，看看每次使用 train_test_split.

时是否都能得到相同的结果

Answer 2

这是机器学习的基本性质。当您手动拆分数据时，您将拥有不同版本的训练和测试集。当你使用 sklearn 函数时，你会得到不同的训练和测试集。您的模型将根据它收到的训练数据进行预测，因此两者的最终结果不同。

如果要重现结果，请使用 train_test_split 通过设置种子值来创建多个训练集。种子值用于在 train_test_split 函数中重现相同的结果。然后当运行你的 ml 函数时，也在那里设置一个种子，因为即使是 ML 函数也开始使用随机权重进行训练。在这些具有相同种子的数据集上尝试您的模型，您将获得结果。

Answer 3

您的自定义 train_test_split 实施与 scikit-learn 的实施不同，这就是您对同一种子获得不同结果的原因。

Here你可以找到官方实现。值得注意的第一件事是，scikit-learn 默认执行 10 次 re-shuffeling 迭代和拆分。（检查 n_splits 参数）

仅如果您的方法与 scitkit-learn 方法完全相同，那么您可以期待相同种子的相同结果。

使用 train_test_split 与手动拆分数据时的不同结果

Different results when using train_test_split vs manually splitting the data

python

numpy

machine-learning

scikit-learn

train-test-split