如何解决转换特征后如何使用交叉验证
我有包含分类值和非分类值的数据集。 我对分类值应用 OneHotEncoder,对连续值应用 StandardScaler。
transformerVectoriser = ColumnTransformer(transformers=[('Vector Cat',OneHotEncoder(handle_unkNown = "ignore"),['A','B','C']),('StandardScaler',StandardScaler(),['D','E'])],remainder='passthrough') # Default is to drop untransformed columns
现在我想对我的模型进行交叉验证,但问题是,我应该转换我的特征,我该怎么做?
我的意思是,我需要转换我的数据,因为这是处理分类值的唯一方法。
我知道我应该fit_transform
我的训练数据并且只transform
我的测试数据,但是我如何在交叉验证中管理它?
现在,我这样做了:
features = transformerVectoriser.fit_transform(features)
clf = RandomForestClassifier()
cv_score = cross_val_score(clf,features,results,cv=5)
print(cv_score)
但我认为这是不正确的,因为fit_transform
将应用于测试折叠和训练折叠,它应该在训练集中是fit_transform
,在测试集中应该是transform
。
我应该只拟合数据,还是只转换数据,还是第三种?
解决方法
desertnaut 已经在他的评论中取笑了答案。我将解释并完成:
当您想与估算器一起交叉验证多个数据处理步骤时,最好的方法是使用 Pipeline
对象。根据 user guide,Pipeline
有多种用途,其中之一是安全:
管道通过确保使用相同的样本来训练变换器和预测器,有助于避免将测试数据中的统计数据泄漏到交叉验证中的训练模型中。
根据上述定义,您可以按以下方式将转换和分类器包装在 Pipeline
中:
from sklearn.pipeline import Pipeline
pipeline = Pipeline([
('transformer',transformerVectoriser),('classifier',clf)
])
现在可以交叉验证管道中的步骤:
cv_score = cross_val_score(pipeline,features,results,cv=5)
print(cv_score)
这将确保管道中的所有转换器和最终估计器仅根据训练数据进行拟合和转换,并且在每次迭代中仅对测试数据调用转换和预测方法。
如果您想详细了解 Pipeline
的用法,请查看 documentation。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。