KFold 交叉验证不能修复过拟合

Question

我将特征分离X，y然后在使用 k 折交叉验证将其拆分后预处理我的火车测试数据。之后，我将训练数据拟合到我的随机森林回归模型并计算置信度分数。拆分后为什么要预处理？因为人们告诉我这样做更正确，并且为了我的模型性能，我一直保持这个原则。

这是我第一次使用 KFold 交叉验证，因为我的模型分数过高，我想我可以通过交叉验证来修复它。我仍然对如何使用它感到困惑，我已经阅读了文档和一些文章，但我并没有真正理解我如何真正将它暗示给我的模型，但我还是尝试了，我的模型仍然过度拟合。使用训练测试拆分或交叉验证导致我的模型分数仍然是 0.999，我不知道我的错误是什么，因为我是使用这种方法的新手，但我想也许我做错了，所以它不能修复过度拟合。请告诉我我的代码有什么问题以及如何解决这个问题

import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import RandomForestRegressor
import scipy.stats as ss
avo_sales = pd.read_csv('avocados.csv')

avo_sales.rename(columns = {'4046':'small PLU sold',
                            '4225':'large PLU sold',
                            '4770':'xlarge PLU sold'},
                 inplace= True)

avo_sales.columns = avo_sales.columns.str.replace(' ','')
x = np.array(avo_sales.drop(['TotalBags','Unnamed:0','year','region','Date'],1))
y = np.array(avo_sales.TotalBags)

# X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2)


kf = KFold(n_splits=10)

for train_index, test_index in kf.split(x):
    X_train, X_test, y_train, y_test = x[train_index], x[test_index], y[train_index], y[test_index]

impC = SimpleImputer(strategy='most_frequent')
X_train[:,8] = impC.fit_transform(X_train[:,8].reshape(-1,1)).ravel()
X_test[:,8] = impC.transform(X_test[:,8].reshape(-1,1)).ravel()

imp = SimpleImputer(strategy='median')
X_train[:,1:8] = imp.fit_transform(X_train[:,1:8])
X_test[:,1:8] = imp.transform(X_test[:,1:8])

le = LabelEncoder()
X_train[:,8] = le.fit_transform(X_train[:,8])
X_test[:,8] = le.transform(X_test[:,8])

rfr = RandomForestRegressor()
rfr.fit(X_train, y_train)
confidence = rfr.score(X_test, y_test)
print(confidence)

Answer 1

您过度拟合的原因是非正则化的基于树的模型会根据数据进行调整，直到所有训练样本都被正确分类。例如，请参阅此图像：

如您所见，这不能很好地概括。如果您不指定对树进行正则化的参数，模型将无法很好地拟合测试数据，因为它基本上只会学习训练数据中的噪声。有很多方法可以对树进行正则化sklearn，您可以在此处找到它们。例如：

• 最大特征
• min_samples_leaf
• 最大深度

通过适当的正则化，您可以获得一个可以很好地泛化到测试数据的模型。例如，看一个正则化模型：

要规范您的模型，请RandomForestRegressor()像这样实例化模块：

rfr = RandomForestRegressor(max_features=0.5, min_samples_leaf=4, max_depth=6)

这些参数值是任意的，由您来找到最适合您的数据的值。您可以使用特定于领域的知识来选择这些值，或使用超参数调整搜索（如GridSearchCV或 ）RandomizedSearchCV。

除此之外，估算平均值和中位数可能会给您的数据带来很多噪音。除非您别无选择，否则我会建议您不要这样做。

Answer 2

虽然@NicolasGervais 的回答深入了解了您的特定模型过度拟合的原因，但我认为在原始问题中存在关于交叉验证的概念性误解；你似乎认为：

交叉验证是一种提高机器学习模型性能的方法。

但事实并非如此。

交叉验证是一种用于估计给定模型在未见数据上的性能的方法。它本身并不能提高准确性。换句话说，相应的分数可以告诉您您的模型是否过度拟合训练数据，但简单地应用交叉验证并不能使您的模型更好。

示例：让我们看一个有 10 个点的数据集，并通过它拟合一条线：

import numpy as np 
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

X = np.random.randint(0,10,10)
Y = np.random.randint(0,10,10)

fig = plt.figure(figsize=(1,10))

def line(x, slope, intercept):     
    return slope * x + intercept

for i in range(5):

    # note that this is not technically 5-fold cross-validation
    # because I allow the same datapoint to go into the test set
    # several times. For illustrative purposes it is fine imho.
    test_indices = np.random.choice(np.arange(10),2)
    train_indices = list(set(range(10))-set(test_indices))

    # get train and test sets
    X_train, Y_train = X[train_indices], Y[train_indices]
    X_test, Y_test = X[test_indices], Y[test_indices]
    # training set has one feature and multiple entries
    # so, reshape(-1,1)
    X_train, Y_train, X_test, Y_test = X_train.reshape(-1,1), Y_train.reshape(-1,1), X_test.reshape(-1,1), Y_test.reshape(-1,1)

    # fit and evaluate linear regression
    reg = LinearRegression().fit(X_train, Y_train)
    score_train = reg.score(X_train, Y_train)
    score_test = reg.score(X_test, Y_test)

    # extract coefficients from model:
    slope, intercept = reg.coef_[0], reg.intercept_[0]

    print(score_test)
    # show train and test sets
    plt.subplot(5,1,i+1)
    plt.scatter(X_train, Y_train, c='k')
    plt.scatter(X_test, Y_test, c='r')

    # draw regression line
    plt.plot(np.arange(10), line(np.arange(10), slope, intercept))
    plt.ylim(0,10)
    plt.xlim(0,10)

    plt.title('train: {:.2f} test: {:.2f}'.format(score_train, score_test))

可以看到训练集和测试集的分数相差很大。还可以看到估计的参数随着训练集和测试集的变化而变化很大。

这根本不会使您的线性模型变得更好。但现在你确切地知道它有多糟糕:)