python - 为什么交叉验证 RF 分类的性能比没有交叉验证的差？

Question

我很困惑，为什么没有交叉验证的随机森林分类模型的平均准确度得分为 0.996，而具有 5 折交叉验证的模型的平均准确度得分为 0.687。

有 275,956 个样本。 0级=217891，1级=6073，2级=51992

我正在尝试预测“TARGET”列，它是 3 个类 [0,1,2]:

data.head()
bottom_temperature  bottom_humidity top_temperature top_humidity    external_temperature    external_humidity   weight  TARGET  
26.35   42.94   27.15   40.43   27.19   0.0  0.0    1   
36.39   82.40   33.39   49.08   29.06   0.0  0.0    1   
36.32   73.74   33.84   42.41   21.25   0.0  0.0    1   

根据文档，数据分为训练和测试

# link to docs http://scikit-learn.org/stable/modules/cross_validation.html
from sklearn.model_selection import train_test_split
from sklearn import datasets
from sklearn import svm

# Create a list of the feature column's names
features = data.columns[:7]

# View features
features
Out[]: Index([u'bottom_temperature', u'bottom_humidity', u'top_temperature',
       u'top_humidity', u'external_temperature', u'external_humidity',
       u'weight'],
      dtype='object')


#split data
X_train, X_test, y_train, y_test = train_test_split(data[features], data.TARGET, test_size=0.4, random_state=0)

#build model
clf = RandomForestClassifier(n_jobs=2, random_state=0)
clf.fit(X_train, y_train)

#predict
preds = clf.predict(X_test)

#accuracy of predictions
accuracy = accuracy_score(y_test, preds)
print('Mean accuracy score:', accuracy)

('Mean accuracy score:', 0.96607267423425713)

#verify - its the same
clf.score(X_test, y_test)
0.96607267423425713

关于交叉验证:

from sklearn.model_selection import cross_val_score
scores = cross_val_score(clf, data[features], data.TARGET, cv=5)
print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

Accuracy: 0.69 (+/- 0.07)

要低得多!

并验证第二种方式:

#predict with CV
# http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_predict.html#sklearn.model_selection.cross_val_predict
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(clf, data[features], data.queen3, cv=5)
metrics.accuracy_score(data.queen3, predicted) 

Out[]: 0.68741031178883594

根据我的理解，交叉验证不应将预测的准确性降低这个数量，而是提高模型的预测，因为模型已经看到所有数据的“更好”表示。

Answer 1

通常我会同意 Vivek 并告诉你相信你的交叉验证。

但是，某种程度的 CV 是随机森林中固有的，因为每棵树都是从引导样本中生长出来的，因此您不应期望在运行交叉验证时会看到如此大的准确性降低。我怀疑您的问题是由于数据排序中的某种时间或位置依赖性造成的。

当您使用 train_test_split 时，数据是从数据集中随机抽取的，因此您的所有 80 个环境都可能出现在您的训练和测试数据集中。但是，当您使用 CV 的默认选项拆分时，我相信每个折叠都是按顺序绘制的，因此您的每个环境都不会出现在每个折叠中(假设您的数据按环境排序)。这会导致较低的准确性，因为您是在使用来自另一个环境的数据来预测一个环境。

简单的解决方案是设置cv=ms.StratifiedKFold(n_splits=5, shuffle=True)。

在使用串联数据集之前，我曾多次遇到过这个问题，而且肯定有数百人已经意识到或没有意识到问题所在。默认行为的想法是维护时间序列中的顺序(根据我在 GitHub 讨论中看到的内容)。