python - 在 scikit-learn GridSearchCV 中评估交叉验证分数的均值、stddev

Question

我正在使用 Python 2.7 和 scikit-learn 进行一些机器学习。我正在使用网格搜索来确定我的数据集和随机森林分类器的最佳超参数。我使用留一法交叉验证和 ROC 曲线下的面积作为评估每组超参数的指标。我的代码运行了，但我对 clf.grid_scores_ 的输出有点困惑。据我了解，应该在所有数据折叠中评估每组超参数，以查看使用在所有其他折叠上训练的模型预测遗漏折叠的效果如何。这将为您提供每次折叠的 AUROC。 Gridsearch 然后应该报告每组超参数的所有折叠的平均值和标准差。然后，使用 .grid_scores_，我们可以查看每组超参数的 auroc 的平均值、stddev 和原始值。

我的问题是，为什么报告的交叉验证分数的平均值和 stddev 不等同于在所有折叠中实际采用报告的 auroc 值的 .mean() 和 .std()？

代码:

from sklearn import cross_validation, grid_search
from sklearn.ensemble import RandomForestClassifier

lol = cross_validation.LeaveOneLabelOut(group_labels)
rf = RandomForestClassifier(random_state=42, n_jobs=96)

parameters = {'min_samples_leaf':[500,1000],
              'n_estimators': [100],
              'criterion': ['entropy',],
              'max_features': ['sqrt']
             }

clf = grid_search.GridSearchCV(rf, parameters, scoring='roc_auc', cv=lol)
clf.fit(train_features, train_labels)

for params, mean_score, scores in clf.grid_scores_:
    print("%0.3f (+/-%0.3f) for %r" % (scores.mean(), scores.std(), params))
print

for g in clf.grid_scores_: print g
print

print clf.best_score_
print clf.best_estimator_

输出:

0.603 (+/-0.108) for {'max_features': 'sqrt', 'n_estimators': 100, 'criterion': 'entropy', 'min_samples_leaf': 500}
0.601 (+/-0.108) for {'max_features': 'sqrt', 'n_estimators': 100, 'criterion': 'entropy', 'min_samples_leaf': 1000}

mean: 0.60004, std: 0.10774, params: {'max_features': 'sqrt', 'n_estimators': 100, 'criterion': 'entropy', 'min_samples_leaf': 500}
mean: 0.59705, std: 0.10821, params: {'max_features': 'sqrt', 'n_estimators': 100, 'criterion': 'entropy', 'min_samples_leaf': 1000}

0.600042993354
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='entropy',
            max_depth=None, max_features='sqrt', max_leaf_nodes=None,
            min_samples_leaf=500, min_samples_split=2,
            min_weight_fraction_leaf=0.0, n_estimators=100, n_jobs=96,
            oob_score=False, random_state=42, verbose=0, warm_start=False)

为什么我计算第一个分类器的平均值为 0.603 而 gridsearch 报告为 0.60004？ (对于第二个均值也有类似的分歧？)我觉得要么我错过了一些重要的东西来帮助我找到最好的超参数集，要么 sklearn 中有一个错误。

Answer 1

起初我也很困惑，所以我看了一下 source code .这两行将阐明如何计算交叉验证错误:

this_score *= this_n_test_samples 
n_test_samples += this_n_test_samples

当网格搜索计算平均值时，它是加权平均值。您的 LeaveOneLabelOut CV 很可能是不平衡的，即每个标签的样本数量不同。要计算平均验证分数，您需要将每个分数乘以折叠包含的总样本的比例，然后将所有分数相加。