Python，机器学习 - 对自定义验证集执行网格搜索

Question

我正在处理一个不平衡的分类问题，其中负类的数量是正类的 1000 倍。我的策略是在平衡(50/50 比例)训练集(我有足够的模拟样本)上训练深度神经网络，然后使用不平衡(1/1000 比例)验证集来选择最佳模型并优化超参数.

由于参数数量很大，我想使用 scikit-learn RandomizedSearchCV ，即随机网格搜索。

据我了解，sk-learn GridSearch 在训练集上应用了一个指标来选择最佳超参数集。然而，在我的例子中，这意味着 GridSearch 将选择在平衡训练集上表现最好的模型，而不是在更现实的不平衡数据上。

我的问题是:是否有一种方法可以使用在特定的、用户定义的验证集上估计的性能来进行网格搜索？

Answer 1

正如评论中所建议的，您需要的是 PredefinedSplit .在 question here 中进行了描述

关于工作，你可以看到文档中给出的例子:

from sklearn.model_selection import PredefinedSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])

#This is what you need
test_fold = [0, 1, -1, 1]

ps = PredefinedSplit(test_fold)
ps.get_n_splits()
#OUTPUT
2

for train_index, test_index in ps.split():
   print("TRAIN:", train_index, "TEST:", test_index)
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

#OUTPUT
TRAIN: [1 2 3] TEST: [0]
TRAIN: [0 2] TEST: [1 3]

正如您在此处看到的，您需要为 test_fold 分配一个索引列表，这些索引将用于拆分数据。 -1 用于不包含在验证集中的样本的索引。

所以在上面的代码中，test_fold = [0, 1, -1, 1] 表示在第一个验证集中(样本中的索引，其值 =0 in test_fold), index 0. 2nd 是 test_fold 的值为 1，所以 index 1 和 3.

但是当你说你有 X_train 和 X_test 时，如果你只想从 X_test 获得验证集，那么你需要做以下内容:

my_test_fold = []

# put -1 here, so they will be in training set
for i in range(len(X_train)):
    my_test_fold.append(-1)

# for all greater indices, assign 0, so they will be put in test set
for i in range(len(X_test)):
    my_test_fold.append(0)

#Combine the X_train and X_test into one array:
import numpy as np

clf = RandomizedSearchCV( ...    cv = PredefinedSplit(test_fold=my_test_fold))
clf.fit(np.concatenate((X_train, X_test), axis=0), np.concatenate((y_train, y_test), axis=0))