学习曲线图中平坦的验证精度曲线的构成

Question

在绘制学习曲线以查看模型构建的进展情况时，我意识到验证准确性曲线从一开始就是一条直线。我想这可能只是因为在将数据拆分为训练集和验证集时出现了一些错误，但是当我迭代 100 次时，我还是得到或多或少相同的图表。

我该如何解释？这是怎么回事？我计算准确度得分的方式有误吗？

此外，一开始准确率不高，我怀疑我的模型拟合不足，有什么明显的方法可以改进它吗？（我没有办法获取更多数据，所以特征工程可以吗？）

我使用下面的代码来计算准确度。

def learning_curve():
    
    X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.33)
    
    training_sizes = (np.linspace(0.1, 1.0, 100) * len(X_train)).astype(int)
    
    train_accuracy = []
    valid_accuracy = []
    
    clf = LogisticRegression(solver='liblinear')
    
    for size in training_sizes:
        clf.fit(X_train.iloc[:size], y_train.iloc[:size])
        train_accuracy.append(clf.score(X_train.iloc[:size], y_train.iloc[:size]))
        valid_accuracy.append(clf.score(X_valid, y_valid))
        
    return training_sizes, train_accuracy, valid_accuracy
    

training_scores = []
cross_val_scores = []
    
for i in range(num_iter):
    sizes, train_score, cross_valid_score = learning_curve()
    training_scores.append(train_score)
    cross_val_scores.append(cross_valid_score)
    
train_std = np.std(training_scores, axis=0)
train_mean = np.mean(training_scores, axis=0)
cv_std = np.std(cross_val_scores, axis=0)
cv_mean = np.mean(cross_val_scores, axis=0)
    
plt.plot(sizes, train_mean, '--', color="b",  label="Training score") 
plt.plot(sizes, cv_mean, color="g", label="Cross validation score") 
   
plt.fill_between(sizes, train_mean - train_std, train_mean + train_std, color='gray')
plt.fill_between(sizes, cv_mean - cv_std, cv_mean + cv_std, color='gray')

此代码生成下图：

非常感谢任何帮助。谢谢。

Answer 1

首先，虽然您的实施看起来是正确的，但您应该验证 learning_curve 的实施。一个快速的方法是将它与 Scikit-Learn 已经制作的 learning_curve 函数进行比较（ 旁注：你不需要重新发明轮子，如果我是你，我本来可以使用 Scikit-Learn 的那个 ).

由于你没有提供任何数据，我不得不创建一些分类数据集。

X, y = make_classification(n_samples=1000, n_features=5, n_informative=5, 
                           n_redundant=0, n_repeated=0, n_classes=2, 
                           shuffle=True, random_state=2020)

事实证明你的实现是正确的（为清楚起见删除偏差）：

现在我们确定了实施，问题现在出在您的数据集中。我们需要领域知识来进行一些探索性数据分析 (EDA)。

您的数据可能包含冗余信息，这会增加很多噪音。

如果我重复同样的实验，但这次我创建了很多冗余数据

X, y = make_classification(n_samples=1000, n_features=5, n_informative=2, 
                           n_redundant=3, n_repeated=0, n_classes=2, 
                           shuffle=True, random_state=2020)

您会发现几乎出现了类似的模式，如您的结果所示：

N.B你的分数怎么看都不低，准确率>=90%算是非常不错

总结

您的实施是正确的。
问题很可能出在您的数据集中（例如冗余特征）。
建议的解决方案太多，无法包含在此处，尤其是在您对数据集一无所知的情况下，因为它需要 EDA 和领域知识（看起来 and 作为初学者）

学习曲线图中平坦的验证精度曲线的构成

What to make of a flat validation accuracy curve in a learning curve graph

python

machine-learning

classification

cross-validation

train-test-split

总结