python机器学习数据划分

Julia999

机器学习划分
方法
留出法(hold-out)


留出法直接将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，另一个作为测试集T，即D=S∪T，S∩T=空集。
在S上训练出模型后，用T来评估其测试误差，作为对泛化误差的估计。
注意训练/测试集的划分要尽可能保持数据分布的一致性，避免因数据划分过程引入额外的偏差而对最终结果产生影响。




交叉验证(cross validation)


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，即D=D1∪D2∪……Dk，Di∩Dj=空集（i≠j）。每个子集Di都尽可能保持数据分布的一致性，即从D中通过分层采样得到。
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，这样就可获得k组训练/测试集，从而可进行k次训练和测试，最终返回的是这k个测试结果的均值。


显然，交叉验证法评估结果的稳定性和保真性在很大程度上取决于k的取值。k的常用取值是10，其他常用的k值有5和20等。


为减小因样本划分不同而引入的差别，k折交叉验证通常要随机使用不同的划分重复p次，最终的评估结果是这p次k折交叉验证结果的均值，例如常见的“10次10折交叉验证”。


特例： 留一法（样本数目m等于划分子集数k）留一法不受随机样本划分方式的影响，因为m个样本只有唯一的方式划分为m个子集。


在留出法和交叉验证法中，保留了一部分样本用于测试，因此实际评估的模型所使用的训练集比D小，这必然会引入一些因训练样本规模不同而导致的估计偏差。留一法受训练样本规模变化的影响较小，但计算复杂度过高。




自助法(BootStrapping)


——可减少训练样本规模不同造成的影响，同时能比较高效地进行实验估计。在数据集较小、难以有效划分训练/测试集时很有用。




以自助采样法为基础，给定包含m个样本的数据集D，我们对它进行采样产生数据集D’:每次随机从D中挑选一个样本，将其拷贝到D’中，然后放回样本，重复m次得到包含m个样本的数据集D’。


通过极限估计，初始数据集D中约有36.8%的样本未出现在采样数据集中，于是将D’作为训练集，D\D’作为测试集。

1. def hold_out(dataSet, train_size):
   
2.     """
   
3.     留出法
   
4.     dataSet:数据集
   
5.     train_size:留出法中训练集所占得比例
   
6.     """
   
7.     totalLen = dataSet.shape[0]
   
8.     train_len = int(totalLen * train_size)
   
9.     index = range(totalLen)
   
10.     index_1 = np.random.choice(index, train_len, replace=False)     # 训练集的索引
    
11.     index_2 = np.delete(index, index_1)                      # 测试集的索引
    
12.     train = dataSet[index_1]
    
13.     test = dataSet[index_2]
    
14.     return train, test

复制代码

1. def cross_validation(dataSet, k):
   
2.     """
   
3.     交叉验证法
   
4.     dataSet:数据集
   
5.     k：交叉验证的次数
   
6.     return : datasets：shape(k,num,feature)  list类型
   
7.     """
   
8.     datasets = []
   
9.     num = int(dataSet.shape[0]/k)
   
10.     start = 0
    
11.     end = num
    
12.     for i in range(k):
    
13.         datasets.append(dataSet[start:end, :].tolist())
    
14.         start += num
    
15.         end += num
    
16.     return datasets

复制代码

1. 
   
2. def BootStrapping(dataSet):
   
3.     """
   
4.     自助法
   
5.     :param dataSet:数据集
   
6.     :return: train训练集,test测试集
   
7.     """
   
8.     m = dataSet.shape[0]
   
9.     index1 = []
   
10.     index2 = []
    
11.     for i in range(m):
    
12.         index1.append(np.random.randint(m))
    
13.     index2 = np.delete(range(m), index1)
    
14.     train = dataSet[index1]
    
15.     test = dataSet[index2]
    
16.     return train, test

复制代码