0

我想对不平衡的数据使用随机森林分类器，其中 X 是表示特征的 np.array，y 是表示标签（90% 0 值和 10% 1 值的标签）的 np.array。由于我不确定如何在交叉验证中进行分层，如果它有所作为，我还使用 StratifiedKFold 手动交叉验证。我希望得到不一样但有些相似的结果。由于情况并非如此，我想我错误地使用了一种方法，但我不明白是哪一种。这是代码

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import StratifiedKFold, cross_val_score, train_test_split
from sklearn.metrics import f1_score

rfc = RandomForestClassifier(n_estimators = 200,
                             criterion = "gini",
                             max_depth = None, 
                             min_samples_leaf = 1, 
                             max_features = "auto", 
                             random_state = 42,
                             class_weight = "balanced")

X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size = 0.20, random_state = 42, stratify=y)

我还尝试了没有 class_weight 参数的分类器。从这里我开始将这两种方法与 f1-score 进行比较

cv = cross_val_score(estimator=rfc,
                     X=X_train_val,
                     y=y_train_val,
                     cv=10,
                     scoring="f1")
print(cv)

交叉验证的 10 个 f1 分数都在 65% 左右。现在是 StratifiedKFold：

skf = StratifiedKFold(n_splits=10, shuffle=True, random_state=42) 
for train_index, test_index in skf.split(X_train_val, y_train_val):
    X_train, X_val = X_train_val[train_index], X_train_val[test_index]
    y_train, y_val = y_train_val[train_index], y_train_val[test_index]
    rfc.fit(X_train, y_train)
    rfc_predictions = rfc.predict(X_val)
    print("F1-Score: ", round(f1_score(y_val, rfc_predictions),3))

StratifiedKFold 的 10 个 f1 分数让我的值达到了 90% 左右。这是我感到困惑的地方，因为我不了解两种方法之间的巨大差异。如果我只是将分类器拟合到训练数据并将其应用于测试数据，我也会得到大约 90% 的 f1 分数，这让我相信我应用 cross_val_score 的方式是不正确的。

4

1 回答 1

2

造成差异的一个可能原因是cross_val_score使用StratifiedKFold默认shuffle=False参数，而在您的手动交叉验证中使用StratifiedKFold您已通过shuffle=True. 因此，没有改组的交叉验证会产生更差的 F1 分数，这可能只是您的数据排序方式的产物。

shuffle=False在创建实例时尝试传递skf以查看分数是否匹配cross_val_score，然后如果您想在使用时使用cross_val_scoreshuffle，只需在应用之前手动 shuffle 训练数据cross_val_score。

于 2020-02-18T01:09:09.890 回答