r - R 中奇怪的 svm 行为 (e1071)

Question

我在 R(第一个示例)和 Python(第二个示例)中使用 SVM 运行了以下代码来执行二元分类任务。

给定随机生成的数据(X)和响应(Y)，此代码执行离开组交叉验证 1000 次。因此，Y 的每个条目都是 CV 迭代预测的平均值。

曲线下的计算面积应为 ~0.5，因为 X 和 Y 是完全随机的。然而，这并不是我们所看到的。曲线下面积通常显着高于 0.5。 X 的行数非常少，这显然会导致问题。

知道这里会发生什么吗？我知道我可以增加 X 的行数或减少列数来解决问题，但我正在寻找其他问题。

Y=as.factor(rep(c(1,2), times=14))
X=matrix(runif(length(Y)*100), nrow=length(Y))

library(e1071)
library(pROC)

colnames(X)=1:ncol(X)
iter=1000
ansMat=matrix(NA,length(Y),iter)
for(i in seq(iter)){    
    #get train

    train=sample(seq(length(Y)),0.5*length(Y))
    if(min(table(Y[train]))==0)
    next

    #test from train
    test=seq(length(Y))[-train]

    #train model
    XX=X[train,]
    YY=Y[train]
    mod=svm(XX,YY,probability=FALSE)
    XXX=X[test,]
    predVec=predict(mod,XXX)
    RFans=attr(predVec,'decision.values')
    ansMat[test,i]=as.numeric(predVec)
}

ans=rowMeans(ansMat,na.rm=TRUE)

r=roc(Y,ans)$auc
print(r)

同样，当我在 Python 中实现相同的事情时，我得到了类似的结果。

Y = np.array([1, 2]*14)
X = np.random.uniform(size=[len(Y), 100])
n_iter = 1000
ansMat = np.full((len(Y), n_iter), np.nan)
for i in range(n_iter):
    # Get train/test index
    train = np.random.choice(range(len(Y)), size=int(0.5*len(Y)), replace=False, p=None)
    if len(np.unique(Y)) == 1:
        continue
    test = np.array([i for i in range(len(Y)) if i not in train])
    # train model
    mod = SVC(probability=False)
    mod.fit(X=X[train, :], y=Y[train])
    # predict and collect answer
    ansMat[test, i] = mod.predict(X[test, :])
ans = np.nanmean(ansMat, axis=1)
fpr, tpr, thresholds = roc_curve(Y, ans, pos_label=1)
print(auc(fpr, tpr))`

Answer 1

您应该将交叉验证的每次迭代视为一个独立的实验，在其中使用训练集进行训练，使用测试集进行测试，然后计算模型技能得分(在本例中为 AUC)。

因此，您实际上应该做的是计算每次 CV 迭代的 AUC。然后取 AUC 的平均值。