机器学习--交叉验证

转自：

交叉验证（Cross validation)，有时亦称循环估计， 是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析， 而其它子集则用来做后续对此分析的确认及验证。 一开始的子集被称为训练集。而其它的子集则被称为验证集或测试集。交叉验证是一种评估统计分析、机器学习算法对独立于训练数据的数据集的泛化能力（generalize），

交叉验证一般要尽量满足：

1）训练集的比例要足够多，一般大于一半
2）训练集和测试集要均匀抽样

交叉验证主要分成以下几类：
1）k-folder cross-validation:
k个子集，每个子集均做一次测试集，其余的作为训练集。交叉验证重复k次，每次选择一个子集作为测试集，并将k次的平均交叉验证识别正确率作为结果。
优点：所有的样本都被作为了训练集和测试集，每个样本都被验证一次。10-folder通常被使用。
2）K * 2 folder cross-validation
是k-folder cross-validation的一个变体，对每一个folder，都平均分成两个集合s0,s1，我们先在集合s0训练用s1测试，然后用s1训练s0测试。
优点是：测试和训练集都足够大，每一个个样本都被作为训练集和测试集。一般使用k=10
3)least-one-out cross-validation(loocv)
假设dataset中有n个样本，那LOOCV也就是n-CV，意思是每个样本单独作为一次测试集，剩余n-1个样本则做为训练集。
优点：
1）每一回合中几乎所有的样本皆用于训练model，因此最接近母体样本的分布，估测所得的generalization error比较可靠。
2）实验过程中没有随机因素会影响实验数据，确保实验过程是可以被复制的。
但LOOCV的缺点则是计算成本高，为需要建立的models数量与总样本数量相同，当总样本数量相当多时，LOOCV在实作上便有困难，除非每次训练model的速度很快，或是可以用平行化计算减少计算所需的时间。

——-十折交叉验证：10-fold cross validation——-

英文名叫做10-fold cross-validation，用来测试算法准确性。是常用的测试方法。将数据集分成十分，轮流将其中9份作为训练数据，1份作为测试数据，进行试验。每次试验都会得出相应的正确率（或差错率）。10次的结果的正确率（或差错率）的平均值作为对算法精度的估计，一般还需要进行多次10折交叉验证（例如10次10折交叉验证），再求其均值，作为对算法准确性的估计。

之所以选择将数据集分为10份，是因为通过利用大量数据集、使用不同学习技术进行的大量试验，表明10折是获得最好误差估计的恰当选择，而且也有一些理论根据可以证明这一点。但这并非最终诊断，争议仍然存在。而且似乎5折或者20折与10折所得出的结果也相差无几。

交叉验证是机器学习、数据挖掘中经常要用到的技巧。很有必要很好的掌握它。所以试着写点这方面的理解，希望对大家有帮助。

文章分为两个部分： 一、交叉验证的原理; 二、分享一个好用的实现了大多数交叉验证的方法包（python scikit-learn）。

在用随机化抽样(random sampling)方法将数据集分为训练集和测试集过程，划分数据集常常会导致过度专门化（over-specialization）的问题，即数据的性质分布不均匀，将会导致由训练集训练出来的学习模型，在测试集上表现的很差，类似于过拟合(over-fit)的现象。基于这个原因，我们希望能够重复多次的进行训练学习模型和测试模型步骤。通过随机化抽样的方法选定K个不同的训练集和测试集，分别用来训练出学习模型和测试模型。最后，通过取K个学习模型性能的均值，来解决过度专门化的问题。 而这个过程也称之为交叉验证(Cross-Validation)。

常用的交叉验证有：K-Folds cross validation、Stratified K-Folds cross validation、Leave-one-out cross validation  等等。

#好东西要分享#

python的机器学习包scikit-learn中对各种交叉验证进行了实现。http://scikit-learn.org/stable/modules/classes.html#module-sklearn.cross_validation

转载请注明：转自 zh's note    http://blog.csdn.net/wuzh670/