通过 K-Fold 交叉验证标准化数据

Question

我正在使用 StratifiedKFold 所以我的代码看起来像这样

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]        
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)
        scores.append(roc_auc_score(y_valid, y_pred_valid))
    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))
folds = StratifiedKFold(10,shuffle=True,random_state=0)
lr = LogisticRegression(class_weight='balanced',penalty='l1',C=0.1,solver='liblinear')
train_model(X_train,y_train,X_test,repeted_folds,lr)

现在在训练模型之前我想标准化数据，那么哪个是正确的方法？
1)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

在调用 train_model 函数之前执行此操作

2)
像这样在函数内部进行标准化

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]
        scaler = StandardScaler()
        X_train = scaler.fit_transform(X_train)
        X_vaid = scaler.transform(X_valid)
        X_test = scaler.transform(X_test)
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)

        scores.append(roc_auc_score(y_valid, y_pred_valid))

    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))

根据我在第二个选项中的知识，我不会泄漏数据。那么如果我不使用管道，哪种方法是正确的，如果我想使用交叉验证，又如何使用管道？

Answer 1

确实，第二个选项更好，因为缩放器看不到

X_valid

的值来缩放

X_train

。

现在如果您要使用管道，您可以这样做：

from sklearn.pipeline import make_pipeline

def train_model(X,y,X_test,folds,model):
    pipeline = make_pipeline(StandardScaler(), model)
    ...

然后使用

pipeline

代替

model

。每次

fit

或

predict

调用时，它都会自动标准化手头的数据。

请注意，您还可以使用 scikit-learn 中的 cross_val_score 函数，并使用参数

scoring='roc_auc'

。

Answer 2

IMO，如果您的数据很大，那么它可能并不重要（如果您使用的是 k 倍，情况可能并非如此），但既然可以，最好在交叉验证中进行（k 倍） )，或选项 2。

此外，请参阅this，了解有关交叉验证中过度拟合的更多信息。