scikit-learn StratifiedKFold 实现

Question

我很难从 https://scikit-learn.org/stable/modules/cross_validation.html#stratification

理解 scikit-learn 的 StratifiedKfold

并通过添加 RandomOversample:

实现示例部分

X, y = np.ones((50, 1)), np.hstack(([0] * 45, [1] * 5))

from imblearn.over_sampling import RandomOverSampler
ros = RandomOverSampler(sampling_strategy='minority',random_state=0)
X_ros, y_ros = ros.fit_sample(X, y)

skf = StratifiedKFold(n_splits=5,shuffle = True)

for train, test in skf.split(X_ros, y_ros):
       print('train -  {}   |   test -  {}'.format(
         np.bincount(y_ros[train]), np.bincount(y_ros[test])))
       print(f"y_ros_test  {y_ros[test]}")

输出

train -  [36 36]   |   test -  [9 9]
y_ros_test  [0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1]
train -  [36 36]   |   test -  [9 9]
y_ros_test  [0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1]
train -  [36 36]   |   test -  [9 9]
y_ros_test  [0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1]
train -  [36 36]   |   test -  [9 9]
y_ros_test  [0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1]
train -  [36 36]   |   test -  [9 9]
y_ros_test  [0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1]

我的问题：

我们在哪里定义训练和测试分割（80%，20% 在 stratifiedKfold 中）？我可以从 straditifiedkfold 中看到 n_splits 定义的是折叠数，而不是我认为的拆分数。这部分让我很困惑。
为什么我得到 y_ros_test 9 0's 和 9 1's 而我有 n_splits=5？根据探索，它应该是 50/5 = 10 ，那么在每个拆分中不是 5 1's 和 5 0's 吗？

Answer 1

关于您的第一个问题：使用交叉验证 (CV) 时没有任何训练测试拆分；发生的事情是，在每一轮 CV 中，一个折叠用作测试集，其余的用作训练。因此，当 n_splits=5 时，像这里一样，在每一轮中，1/5（即 20%）的数据用作测试集，而其余 4/5（即 80%）的数据用于训练。所以是的，确定 n_splits 参数唯一地定义了拆分，并且不需要任何进一步的确定（对于 n_splits=4 你会得到 75-25 的拆分）。

关于您的第二个问题，您似乎忘记了在拆分之前您对数据进行了过采样。运行带有初始 X 和 y 的代码（即没有过采样）确实给出了大小为 50/5 = 10 的 y_test，尽管这不是平衡的（平衡是过采样的结果）但分层（每个折叠保留原始数据的 class 类比）：

skf = StratifiedKFold(n_splits=5,shuffle = True)

for train, test in skf.split(X, y):
       print('train -  {}   |   test -  {}'.format(
         np.bincount(y[train]), np.bincount(y[test])))
       print(f"y_test  {y[test]}")

结果：

train -  [36  4]   |   test -  [9 1]
y_test  [0 0 0 0 0 0 0 0 0 1]
train -  [36  4]   |   test -  [9 1]
y_test  [0 0 0 0 0 0 0 0 0 1]
train -  [36  4]   |   test -  [9 1]
y_test  [0 0 0 0 0 0 0 0 0 1]
train -  [36  4]   |   test -  [9 1]
y_test  [0 0 0 0 0 0 0 0 0 1]
train -  [36  4]   |   test -  [9 1]
y_test  [0 0 0 0 0 0 0 0 0 1]

由于对少数 class 进行过度采样实际上会增加数据集的大小，因此只能预期您会得到与 y_test 相关性更大的 y_ros_test（此处为 18 个样本共 10 个）。

从方法论上讲，如果您已经对数据进行过采样以平衡 class 表示，则实际上不需要分层采样。

scikit-learn StratifiedKFold 实现

scikit-learn StratifiedKFold implementation

python

machine-learning

scikit-learn

cross-validation

imblearn