Python，机器学习-对自定义验证集执行网格搜索

Question

我正在处理一个不平衡的分类问题，我的否定类比我的肯定类多1000倍。我的策略是在平衡（50/50比率）训练集（我有足够的模拟样本）上训练深度神经网络，然后使用不平衡（1/1000比率）验证集选择最佳模型并优化超参数。

由于参数数量很大，因此我想使用scikit-learn RandomizedSearchCV，即随机网格搜索。

据我了解，sk-learn GridSearch在训练集上应用了一个指标，以选择最佳的超参数集。但是，在我的情况下，这意味着GridSearch将选择对均衡训练集而不是对更现实的不均衡数据表现最佳的模型。

我的问题是：有没有一种方法可以对在特定的，用户定义的验证集上估算的性能进行网格搜索？

Answer 1

如注释中所建议，您需要的是PredefinedSplit。问题在这里描述

关于工作，您可以查看文档中给出的示例：

from sklearn.model_selection import PredefinedSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])

#This is what you need
test_fold = [0, 1, -1, 1]

ps = PredefinedSplit(test_fold)
ps.get_n_splits()
#OUTPUT
2

for train_index, test_index in ps.split():
   print("TRAIN:", train_index, "TEST:", test_index)
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

#OUTPUT
TRAIN: [1 2 3] TEST: [0]
TRAIN: [0 2] TEST: [1 3]

如您在此处看到的，您需要分配test_fold一个索引列表，该列表将用于拆分数据。-1将用于样本索引，这些样本不包含在验证集中。

因此，在上面的代码中，test_fold = [0, 1, -1, 1]说在第一个验证集中（样本中的索引，其值= 0 in test_fold），索引为0。第二个是test_fold的值为= 1，因此索引为1和3。

但是当您说有X_train和时X_test，如果您只想从中进行验证X_test，则需要执行以下操作：

my_test_fold = []

# put -1 here, so they will be in training set
for i in range(len(X_train)):
    my_test_fold.append(-1)

# for all greater indices, assign 0, so they will be put in test set
for i in range(len(X_test)):
    my_test_fold.append(0)

#Combine the X_train and X_test into one array:
import numpy as np

clf = RandomizedSearchCV( ...    cv = PredefinedSplit(test_fold=my_test_fold))
clf.fit(np.concatenate((X_train, X_test), axis=0), np.concatenate((y_train, y_test), axis=0))