交叉验证原理及应用（网格搜索超参数）python代码实现_python 交叉验证

1. 交叉验证原理

        交叉验证法先将数据集D划分为k个大小相似的互斥子集，每个子集都尽可能保持数据分布的一致性，然后每次用k-1个子集的并集作为训练集，余下的那个子集作为测试集，这样可以获得k组训练和测试并返回k个测试结果。

以k=10为例的10折交叉验证，其训练集和测试集数据分布如下所示：

 

2. 交叉验证应用         

        在寻找超参数的过程中，为了评判模型的最终性能，通常把数据集分为训练数据和测试数据，测试数据是完全不参与模型训练的独立数据，一般通过 sklearn 自带的 train_test_split 方法进行随机分配，测试数据占比20%为经验值，剩下的80%数据作为训练数据。

        训练数据又细分为训练数据和验证数据，这两份数据都会参与到模型的训练，首先由训练数据训练出模型，然后通过验证数据对模型进行性能评判，从而找到最佳超参数。训练数据和验证数据分配存在随机性，容易出现过拟合的现象，即找到的最佳超参数在测试数据集中表现并不良好。为了加大训练次数，提高模型的稳定性，所以需要对数据进行多次分隔多次训练。即使用交叉验证的方法进行多次训练。

训练数据：参与模型训练

验证数据：参与模型训练，调整超参数使用的数据集

测试数据：不参与模型训练，作为衡量最终模型性能的数据集

3. 利用交叉验证寻找超参数的代码实现

        利用 cross_val_score(knn_clf, X_train, y_train, cv=cv)方法将数据进行交叉分割并传入模型中进行训练，参数依次为：

knn_clf：待训练的模型

X_train：待分割的输入空间数据集

y_train：待分割的输出空间数据集

cv：分割份数k，也称为k折交叉验证

        cross_val_score 方法返回k个元素的list集合，即k份数据训练了k次分别得到的k个模型评分，将这个list元素求平均，就得到当前超参数组合下模型的平均评分，次评分具备稳定性，减弱了数据随机性对模型评价的影响。

        利用for循环构造了一堆超参数值，通过以上方法不断循环训练，得到每组超参数的平均模型评分，找到最佳得分和对应的超参数组合，则实现了交叉验证法寻找超参数的应用，

Fitting 5 folds for each of 60 candidates, totalling 300 fits

交叉验证，将数据分成5份，10+5*10=60个参数，共训练300次

找到最佳参数组合和模型性能评分为：

best_score=0.9666666666666668, best_weights=distance, best_k=5, best_p=4

# -*- coding: UTF-8 -*-
from sklearn import datasets
from sklearn.model_selection import cross_val_score, GridSearchCV, train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
 
 
def CrossValidationTest(X_train, y_train, cv):
    best_score, best_weights, best_k, best_p = 0, 0, 0, 0
    for k in range(1, 11):
        for p in range(1, 6):
            knn_clf = KNeighborsClassifier(weights="distance", n_neighbors=k, p=p)
            scores = cross_val_score(knn_clf, X_train, y_train, cv=cv)
            score = np.mean(scores)
            if score > best_score:
                best_score, best_weights, best_k, best_p = score, "distance", k, p
    for p in range(1, 6):
        knn_clf = KNeighborsClassifier(weights="uniform", n_neighbors=k)
        scores = cross_val_score(knn_clf, X_train, y_train, cv=cv)
        score = np.mean(scores)
        if score > best_score:
            best_score, best_weights, best_k, best_p = score, "distance", k, "null"
    print("best_score={}, best_weights={}, best_k={}, best_p={}".format(best_score,best_weights, best_k, best_p))
 

4. sklearn网格搜索对交叉验证的使用

        GridSearchCV网格搜索超参数方法其源码就是使用了交叉验证方法，默认cv=5，下面通过使用上述同样的数据进行网格搜索超参数：

Fitting 5 folds for each of 60 candidates, totalling 300 fits

交叉验证，将数据分成5份，10+5*10=60个参数，共训练300次

找到最佳参数组合和模型性能评分为：

best_score = 0.9666666666666668, best_estimator={'n_neighbors': 5, 'p': 4, 'weights': 'distance'}

代码实现如下：

def GridSearchTest(X_train, y_train,cv):
    """
    Fitting 5 folds for each of 60 candidates, totalling 300 fits
    交叉验证，将数据分成5份，10+5*10=60个参数，共训练300次
    """
    param_grid = [
        {
            'weights': ['uniform'],  # 不考虑距离权重的模式
            'n_neighbors': [i for i in range(1, 11)]  # 邻近点的个数
        },
        {
            'weights': ['distance'],  # 考虑距离权重的模式
            'n_neighbors': [i for i in range(1, 11)],
            'p': [i for i in range(1, 6)]  # 明可夫斯基距离参数 p = (0：曼哈顿距离, 1:欧拉距离)
        }
    ]
    knn_clf = KNeighborsClassifier()  # 实例化 KNN 算法
    grid_search = GridSearchCV(knn_clf, param_grid, n_jobs=-1, verbose=2,cv=cv)  # n_jobs=-1 最大并行训练
    grid_search.fit(X_train, y_train)  # 针对训练数据进行最佳超参数搜索
    best_estimator = grid_search.best_params_  # 这就是最终得到的最佳参数
    best_score = grid_search.best_score_  # 使用上诉训练到的最佳参数得到的分类得分
    print("best_score = {}, best_estimator={}".format(best_score, best_estimator))
 
 
if __name__ == '__main__':
    iris = datasets.load_iris()
    data = iris.data  # 特征数据
    target = iris.target  # 标签数据
    X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=666)
    CrossValidationTest(X_train, y_train,5)
    GridSearchTest(X_train, y_train,5)

5. 结论

        本文通过讲述k折交叉验证的原理，并基于sklearn提供的方法进行交叉验证的应用，实现了KNN邻近模型的超参数寻找，并针对同样的数据集使用网格搜索的方法寻找超参数，试验证明两种方法得到的超参数组合和模型性能评分结果一致。通过源码可知悉，网格搜索的底层实现就是使用到了交叉验证方法。