중첩 교차 검증의 구현

중첩 교차 유효성 검사에 대한 이해가 올바른지 알아 내려고 노력하고 있으므로이 장난감 예제를 작성하여 내가 옳은지 확인했습니다.

import operator
import numpy as np
from sklearn import cross_validation
from sklearn import ensemble
from sklearn.datasets import load_boston

# set random state
state = 1

# load boston dataset
boston = load_boston()

X = boston.data
y = boston.target

outer_scores = []

# outer cross-validation
outer = cross_validation.KFold(len(y), n_folds=3, shuffle=True, random_state=state)
for fold, (train_index_outer, test_index_outer) in enumerate(outer):
    X_train_outer, X_test_outer = X[train_index_outer], X[test_index_outer]
    y_train_outer, y_test_outer = y[train_index_outer], y[test_index_outer]

    inner_mean_scores = []

    # define explored parameter space.
    # procedure below should be equal to GridSearchCV
    tuned_parameter = [1000, 1100, 1200]
    for param in tuned_parameter:

        inner_scores = []

        # inner cross-validation
        inner = cross_validation.KFold(len(X_train_outer), n_folds=3, shuffle=True, random_state=state)
        for train_index_inner, test_index_inner in inner:
            # split the training data of outer CV
            X_train_inner, X_test_inner = X_train_outer[train_index_inner], X_train_outer[test_index_inner]
            y_train_inner, y_test_inner = y_train_outer[train_index_inner], y_train_outer[test_index_inner]

            # fit extremely randomized trees regressor to training data of inner CV
            clf = ensemble.ExtraTreesRegressor(param, n_jobs=-1, random_state=1)
            clf.fit(X_train_inner, y_train_inner)
            inner_scores.append(clf.score(X_test_inner, y_test_inner))

        # calculate mean score for inner folds
        inner_mean_scores.append(np.mean(inner_scores))

    # get maximum score index
    index, value = max(enumerate(inner_mean_scores), key=operator.itemgetter(1))

    print 'Best parameter of %i fold: %i' % (fold + 1, tuned_parameter[index])

    # fit the selected model to the training set of outer CV
    # for prediction error estimation
    clf2 = ensemble.ExtraTreesRegressor(tuned_parameter[index], n_jobs=-1, random_state=1)
    clf2.fit(X_train_outer, y_train_outer)
    outer_scores.append(clf2.score(X_test_outer, y_test_outer))

# show the prediction error estimate produced by nested CV
print 'Unbiased prediction error: %.4f' % (np.mean(outer_scores))

# finally, fit the selected model to the whole dataset
clf3 = ensemble.ExtraTreesRegressor(tuned_parameter[index], n_jobs=-1, random_state=1)
clf3.fit(X, y)

모든 의견에 감사드립니다.

UPS, 코드가 잘못되었지만 매우 미묘 합니다!

a) 열차 세트를 내부 트레이닝 세트와 테스트 세트로 분할해도됩니다.

b) 문제는 마지막 두 줄로 중첩 교차 검증 의 목적 에 대한 미묘한 오해를 반영한다 . 중첩 된 CV의 목적은 하지 파라미터를 선택하지만,이 경우, 알고리즘의 예상 정확도 무엇의 공정한 평가하도록 ensemble.ExtraTreesRegressor최선 hyperparameter이 데이터 가있을 수 있습니다 무엇을 .

그리고 이것은 코드가 라인까지 올바르게 계산하는 것입니다.

    print 'Unbiased prediction error: %.4f' % (np.mean(outer_scores))

중첩 된 CV를 사용하여 분류 자의 편견없는 예측을 계산했습니다. 그러나 외부 루프의 각 패스는 라인을 작성할 때 알고 있듯이 다른 최고 하이퍼 파라미터를 생성 할 수 있습니다.

   print 'Best parameter of %i fold: %i' % (fold + 1, tuned_parameter[index])

이제 접기를 사용하여 최종 최고 하이퍼 파라미터 를 선택하려면 표준 CV 루프가 필요합니다 .

tuned_parameter = [1000, 1100, 1200]
for param in tuned_parameter:

    scores = []

    # normal cross-validation
    kfolds = cross_validation.KFold(len(y), n_folds=3, shuffle=True, random_state=state)
    for train_index, test_index in kfolds:
        # split the training data
        X_train, X_test = X[train_index], X[test_index]
        y_train, y_test = y[train_index], y[test_index]

        # fit extremely randomized trees regressor to training data
        clf2_5 = ensemble.ExtraTreesRegressor(param, n_jobs=-1, random_state=1)
        clf2_5.fit(X_train, y_train)
        scores.append(clf2_5.score(X_test, y_test))

    # calculate mean score for folds
    mean_scores.append(np.mean(scores))

# get maximum score index
index, value = max(enumerate(mean_scores), key=operator.itemgetter(1))

print 'Best parameter : %i' % (tuned_parameter[index])

이것은 코드이지만 inner에 대한 참조가 제거되었습니다.

이제 가장 좋은 매개 변수는입니다 tuned_parameter[index]. 이제 clf3코드에서와 같이 최종 분류자를 배울 수 있습니다.

Jacques의 답변을 요약하면

모델의 바이어스되지 않은 오차 추정에는 중첩 CV가 필요합니다. 이 방식으로 다른 모델의 점수를 비교할 수 있습니다. 이 정보를 사용하여 선택한 모델의 파라미터 튜닝을 위해 별도의 K- 폴드 CV 루프를 수행 할 수 있습니다.