在 sklearn.cross_validation 中使用 train_test_split 和 cross_val_score 的区别

Question

我有一个包含 20 列的矩阵。最后一列是 0/1 标签。

数据的link为here。

我正在尝试运行数据集上的随机森林，使用交叉验证。我使用两种方法来做到这一点：

使用sklearn.cross_validation.cross_val_score
使用sklearn.cross_validation.train_test_split

当我做我认为几乎完全相同的事情时，我得到了不同的结果。为了举例说明，我运行使用上述两种方法进行双重交叉验证，如下面的代码所示。

import csv
import numpy as np
import pandas as pd
from sklearn import ensemble
from sklearn.metrics import roc_auc_score
from sklearn.cross_validation import train_test_split
from sklearn.cross_validation import cross_val_score

#read in the data
data = pd.read_csv('data_so.csv', header=None)
X = data.iloc[:,0:18]
y = data.iloc[:,19]

depth = 5
maxFeat = 3 

result = cross_val_score(ensemble.RandomForestClassifier(n_estimators=1000, max_depth=depth, max_features=maxFeat, oob_score=False), X, y, scoring='roc_auc', cv=2)

result
# result is now something like array([ 0.66773295,  0.58824739])

xtrain, xtest, ytrain, ytest = train_test_split(X, y, test_size=0.50)

RFModel = ensemble.RandomForestClassifier(n_estimators=1000, max_depth=depth, max_features=maxFeat, oob_score=False)
RFModel.fit(xtrain,ytrain)
prediction = RFModel.predict_proba(xtest)
auc = roc_auc_score(ytest, prediction[:,1:2])
print auc    #something like 0.83

RFModel.fit(xtest,ytest)
prediction = RFModel.predict_proba(xtrain)
auc = roc_auc_score(ytrain, prediction[:,1:2])
print auc    #also something like 0.83

我的问题是：

为什么我得到不同的结果，即为什么我使用 train_test_split 时 AUC（我使用的指标）更高？

注意：当我使用更多折叠（比如 10 倍）时，我的结果中似乎存在某种模式，第一次计算总是给我最高的 AUC。

在上面例子中的双重交叉验证的情况下，第一个AUC总是高于第二个；它总是类似于 0.70 和 0.58。

感谢您的帮助！

Answer 1

使用 cross_val_score 时，您会经常想要使用 KFolds 或 StratifiedKFolds 迭代器：

http://scikit-learn.org/0.10/modules/cross_validation.html#computing-cross-validated-metrics

http://scikit-learn.org/0.10/modules/generated/sklearn.cross_validation.KFold.html#sklearn.cross_validation.KFold

默认情况下，cross_val_score 不会随机化您的数据，如果您的数据一开始就不是随机的，这可能会产生像这样的奇怪结果。

KFolds 迭代器有一个随机状态参数：

http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.KFold.html

train_test_split也是如此，它默认随机化：

http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.train_test_split.html

像您描述的那样的模式通常是 train/test 集中缺乏随机性的结果。

Answer 2

@KCzar 指出的答案。只想注意我发现随机化数据（X 和 y 具有相同索引改组）的最简单方法如下：

p = np.random.permutation(len(X))
X, y = X[p], y[p]

来源：同时打乱两个 numpy 数组的更好方法

在 sklearn.cross_validation 中使用 train_test_split 和 cross_val_score 的区别

Difference between using train_test_split and cross_val_score in sklearn.cross_validation

python

scikit-learn

cross-validation