K倍交叉验证配对t检验_k这交叉验证t检验

K倍交叉验证配对t检验

比较两个模型性能的K倍配对t检验程序

from mlxtend.evaluate import paired_ttest_kfold_cv

概述

K-fold交叉验证配对t检验程序是比较两个模型（分类器或回归器）性能的常用方法，并解决了重采样t检验程序的一些缺点；然而，这种方法仍然存在训练集重叠的问题，不建议在实践中使用[1]，应该使用配对测试5x2cv等技术。

为了解释这种方法是如何工作的，让我们考虑估计量（例如，分类器）A和B。此外，我们有一个标记数据集D。在公共保持方法中，我们通常将数据集分成2个部分：训练和测试集。在k-fold交叉验证配对t检验程序中，我们将测试集分成大小相等的k个部分，然后每个部分用于测试，而剩余的k-1部分（连接在一起）用于训练分类器或回归器（即标准的k-fold交叉验证程序）。

在每个k次交叉验证迭代中，我们计算每个迭代中A和B之间的性能差异，从而获得k个差异度量。现在，通过假设这些k差异是独立绘制的，并且遵循近似正态分布，我们可以根据 Student的t检验(Student’s t test)，在模型A和B具有相同性能的无效假设下，用 $k-1$ 自由度计算以下 $t$ 统计量：
$$t=\frac{\overline{p}\sqrt{k}}{\sqrt{{\sum }_{i=1}^k(p^{(i)-\overline{p}}{)}^2/(k-1)}}.$$
这里，$p^{(i)}$ 计算第 $i$ 次迭代中模型性能之间的差异， $p^{(i)}=p_A^{(i)}-p_B^{(i)}$ 和 $\overline{p}$ 表示分类器性能之间的平均差异，$\overline{p}=\frac{1}{k}{\sum }_{i=1}^k{p}^{(i)}$。

一旦我们计算了 $t$ 统计量，我们就可以计算 $p$ 值，并将其与我们选择的显著性水平进行比较，例如，$\alpha =0.05$。如果 $p$ 值小于 $\alpha$，我们拒绝零假设，并接受两个模型存在显著差异。

这种方法的问题以及不建议在实践中使用的原因是，它违反了学生t检验(Student’s t test)[1]的假设：

• 模型性能之间的差异 ($p^{(i)}=p_A^{(i)}-p_B^{(i)}$ ) 不是正态分布，因为 $p_A^{(i)}$ 和 $p_B^{(i)}$ 不是独立的
• $p^{(i)}$ 本身不是独立的，因为训练集重叠

References

• [1] Dietterich TG (1998) Approximate Statistical Tests for Comparing Supervised Classification Learning Algorithms. Neural Comput 10:1895–1923.

例1-K-折叠交叉验证配对t检验

假设我们想要比较两种分类算法，逻辑回归(logistic regression)和决策树(a decision tree )算法：

from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from mlxtend.data import iris_data
from sklearn.model_selection import train_test_split


X, y = iris_data()
clf1 = LogisticRegression(random_state=1)
clf2 = DecisionTreeClassifier(random_state=1)

X_train, X_test, y_train, y_test = \
    train_test_split(X, y, test_size=0.25,
                     random_state=123)

score1 = clf1.fit(X_train, y_train).score(X_test, y_test)
score2 = clf2.fit(X_train, y_train).score(X_test, y_test)

print('Logistic regression accuracy: %.2f%%' % (score1*100))
print('Decision tree accuracy: %.2f%%' % (score2*100))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Logistic regression accuracy: 97.37%
Decision tree accuracy: 94.74%
1
2

请注意，由于在重采样过程中产生了新的测试/训练分离，这些精度值不用于配对t测试(paired t-test)程序，上述值仅用于直觉。

现在，我们假设显著性阈值α=0.05，以拒绝两种算法在数据集上表现相同的无效假设，并进行k倍交叉验证t检验：

from mlxtend.evaluate import paired_ttest_kfold_cv


t, p = paired_ttest_kfold_cv(estimator1=clf1,
                              estimator2=clf2,
                              X=X, y=y,
                              random_seed=1)

print('t statistic: %.3f' % t)
print('p value: %.3f' % p)
1
2
3
4
5
6
7
8
9
10

t statistic: -1.861
p value: 0.096
1
2

由于 $p>\alpha$，我们不能拒绝零假设，并且可以得出结论，两种算法的性能没有显著差异。

虽然通常不建议在不纠正多个假设测试的情况下多次应用统计测试，但让我们来看一个示例，其中决策树算法仅限于生成一个非常简单的决策边界，这将导致相对较差的性能：

clf2 = DecisionTreeClassifier(random_state=1, max_depth=1)

score2 = clf2.fit(X_train, y_train).score(X_test, y_test)
print('Decision tree accuracy: %.2f%%' % (score2*100))


t, p = paired_ttest_kfold_cv(estimator1=clf1,
                             estimator2=clf2,
                             X=X, y=y,
                             random_seed=1)

print('t statistic: %.3f' % t)
print('p value: %.3f' % p)
1
2
3
4
5
6
7
8
9
10
11
12
13

Decision tree accuracy: 63.16%
t statistic: 13.491
p value: 0.000
1
2
3

假设我们在显著性水平α=0.05的情况下进行了该测试，我们可以拒绝两个模型在该数据集上表现相同的无效假设，因为p值（p<0.001）小于α。

API

paired_ttest_kfold_cv(estimator1, estimator2, X, y, cv=10, scoring=None, shuffle=False, random_seed=None)

执行 k-fold 配对t检验( k-fold paired t test )程序来比较两个模型的性能。

Parameters

• estimator1 : scikit-learn classifier or regressor

• estimator2 : scikit-learn classifier or regressor

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  Training vectors, where n_samples is the number of samples and n_features is the number of features.

  训练向量，其中 n_samples 是样本数，n_features 是特征数。

• y : array-like, shape = [n_samples]

  Target values.

• cv : int (default: 10)

  Number of splits and iteration for the cross-validation procedure

  交叉验证程序的拆分和迭代次数

• scoring : str, callable, or None (default: None)

  If None (default), uses ‘accuracy’ for sklearn classifiers and ‘r2’ for sklearn regressors. If str, uses a sklearn scoring metric string identifier, for example {accuracy, f1, precision, recall, roc_auc} for classifiers, {‘mean_absolute_error’, ‘mean_squared_error’/‘neg_mean_squared_error’, ‘median_absolute_error’, ‘r2’} for regressors. If a callable object or function is provided, it has to be conform with sklearn’s signature scorer(estimator, X, y); see http://scikit-learn.org/stable/modules/generated/sklearn.metrics.make_scorer.html for more information.

  -如果没有（默认），则对sklearn分类器使用“准确性”，对sklearn回归器使用“r2”。如果str使用sklearn评分度量字符串标识符，例如{accurity，f1，precision，recall，roc_auc}作为分类器，{‘mean_absolute_error’，‘mean_squared_error’/‘neg_mean_squared_error’，‘median_absolute_error’，‘r2’}作为回归器。如果提供了一个可调用的对象或函数，它必须符合sklearn的签名“scorer（estimator，X，y）”；看见http://scikit-learn.org/stable/modules/generated/sklearn.metrics.make_scorer.html了解更多信息。

• shuffle : bool (default: True)

  Whether to shuffle the dataset for generating the k-fold splits.

  是否洗牌数据集以生成k折叠拆分。

• random_seed : int or None (default: None)

  Random seed for shuffling the dataset for generating the k-fold splits. Ignored if shuffle=False.

  随机种子，用于对数据集进行洗牌，以生成k折叠拆分。如果shuffle=False，则忽略。

Returns

• t : float

  The t-statistic

  t 统计量

• pvalue : float

  Two-tailed p-value. If the chosen significance level is larger than the p-value, we reject the null hypothesis and accept that there are significant differences in the two compared models.

  双尾p值。如果选择的显著性水平大于p值，我们拒绝零假设，并接受两个比较模型存在显著差异。

Examples

For usage examples, please see http://rasbt.github.io/mlxtend/user_guide/evaluate/paired_ttest_kfold_cv/

有关用法示例，请参见http://rasbt.github.io/mlxtend/user_guide/evaluate/paired_ttest_kfold_cv/

reference

@online{Raschka2021Sep,
author = {Raschka, S.},
title = {{K-fold cross-validated paired t test - mlxtend}},
year = {2021},
month = {9},
date = {2021-09-03},
urldate = {2022-03-10},
language = {english},
hyphenation = {english},
note = {[Online; accessed 10. Mar. 2022]},
url = {http://rasbt.github.io/mlxtend/user_guide/evaluate/paired_ttest_kfold_cv},
abstract = {{A library consisting of useful tools and extensions for the day-to-day data science tasks.}}
}