机器学习模型评估与改进: 交叉验证(cross validation)_3折交叉验证

以监督学习的众多算法为例，不管是分类还是回归，都有很多不同的算法模型，在不同的问题中，这些算法模型的表现是不同的。如何对模型的表行进行评估和改进呢？scikit learn网站给出了这样一个模型评估和改进的流程图：

首先我们再来看看模型评估的过程，在模型训练时，我们首先可以用scikit learn的model_selection模块train_test_split函数对数据划分，分为训练集合和测试集合。对于验证模型的泛化能力，测试集合至关重要。

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
1

交叉验证

交叉验证是一种统计学方法，用于衡量算法表现是否稳定。在交叉验证里，数据不是简单按照某个比例分为训练集合和测试集合，而是将数据如下图做多次划分，并且基于这些划分，训练多个机器学习模型。这也就是所谓的k折交叉验证（k-fold cross validation），k通常为5或者10.

以5折交叉验证为例，数据首先被均匀地分为5份（“折”，fold），取其中一份作为测试集合，其他为训练集合，训练一个模型。之后，轮流地选择其中的一折作为测试集合，其他为训练集合，再依次训练模型。

调用方法

scikit-learn提供了非常简便的方法调用交叉验证。只需要从model_selection模块中加载cross_val_score函数就可以了。以鸢尾花数据集，logistic回归预测为例：

from sklearn.model_selection import cross_val_score 
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
iris = load_iris()
logreg = LogisticRegression()
scores = cross_val_score(logreg, iris.data, iris.target) 
print("Cross-validation scores: {}".format(scores))
1
2
3
4
5
6
7

通常cross_val_score函数默认是3折交叉验证，运行后输出Cross-validation scores: [ 0.961 0.922 0.958]。 可以在cross_val_score() 函数中修改默认设置，例如改成5折交叉验证：

scores = cross_val_score(logreg, iris.data, iris.target, cv=5)

正确率为[ 1. 0.967 0.933 0.9 1. ]。平均来说，交叉验证的正确率是我们关心的指标，可以用scores.mean()得到，约为0.96。 96%的正确率，模型的性能还是比较好的，但是具体看每折交叉验