如何解决kfold 交叉验证后如何绘制适合每个折叠的数据和模型?
我试图根据一个特征预测一个标签变量。两者似乎是高度线性相关的。我选择了一个线性回归模型来描述数据。我的代码输出显示了训练和测试数据的 R2 分数。我的模型表现良好,期望测试样本的一倍,其中 R2 为负。 我想绘制每个折叠的数据和模型的拟合,以了解出了什么问题。但是,我无法从 python 编码的角度弄清楚如何做到这一点。
有人可以帮忙吗?
Test_scores = list()
Train_scores =list()
n_splits = 5
kfold = KFold(n_splits=n_splits,shuffle=False)
for train_ix,test_ix in kfold.split(Feature_X):
Train_Feature_X,Test_Feature_X=Feature_X[train_ix],Feature_X[test_ix]
Train_label_X,Test_label_X= label_X[train_ix],label_X[test_ix]
model = LinearRegression()
model.fit(Train_Feature_X,Train_label_X)
pred_label_train = model.predict(Train_Feature_X)
acc_train = r2_score(Train_label_X,pred_label_train)
pred_label_test = model.predict(Test_Feature_X)
acc_test = r2_score(Test_label_X,pred_label_test)
Test_scores.append(acc_test)
Train_scores.append(acc_train)
print('> ','Train:'+ str(acc_train),"Test:"+ str(acc_test))
Test_mean,Test_std = np.mean(Test_scores),np.std(Test_scores)
Train_mean,Train_std = np.mean(Train_scores),np.std(Train_scores)
print('Mean of test: %.3f,Standard Deviation: %.3f' % (Test_mean,Test_std))
print('Mean of train: %.3f,Standard Deviation: %.3f' % (Train_mean,Train_std))
> Train:0.9948113361306588 Test:0.9715872368615199
> Train:0.9905854864161807 Test:0.9917503220348162
> Train:0.9888929852977923 Test:-4.996610921978263
> Train:0.990942242777374 Test:0.9960355777732937
> Train:0.9925744355834707 Test:0.9458246438971184
Mean of test: -0.218,Standard Deviation: 2.389
Mean of train: 0.992,Standard Deviation: 0.002
解决方法
您可以将绘图添加到循环循环中。
每次迭代您都可以访问训练测试折叠和预测,因此在打印值之前,即 print('> ','Train:'+ str(acc_train),"Test:"+ str(acc_test))
您可以执行以下操作:
fig,ax = plt.subplots(nrows=1,ncols=5)
curr_split = 1
for ...
plt.subplot(1,5,curr_split)
plt.plot(x,y)
curr_split += 1
plt.show()
这将绘制 5 个子图,每个子图代表折叠。
请注意,这是您应该做的大纲,请参阅以下链接中的文档 plt.subplots()
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。