如何将蒙特卡罗交叉验证应用于 Python 中的多元线性回归？答案

【问题标题】：How to apply Monte Carlo cross validation to multiple linear regression in Python?如何将蒙特卡罗交叉验证应用于 Python 中的多元线性回归？
【发布时间】：2019-09-07 15:59:51
【问题描述】：

每个人。

所以，我对 Python 比较陌生，我正在尝试根据 10 个不同的数字输入来预测一个数字变量。特别是，我正在尝试应用多元线性回归，但想在训练-测试-验证阶段添加蒙特卡洛交叉验证。所以，我写了一个看起来像这样的代码：

#I have imported libraries
#imported the dataset
#then created X and Y df. 
#then split the data into training and testing, with validation parameters as follows:

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state=np.random.randint(1000), test_size=0.3)

# I have used np.random.randint(1000) as a Monte Carlo cross validation.

The code used for regression is:

#Linear Regression Model
regressor = linear_model.LinearRegression()
regressor.fit(X_train, Y_train)
y_predLR = regressor.predict(X_test)
lin_mse = mean_squared_error(y_predLR, Y_test)
lin_rmse = np.sqrt(lin_mse)

我的问题是：这是应用蒙特卡洛交叉验证的正确方法吗？

在此之后，我应用了 MLR，并且随着代码的每次运行，R 平方、MSE 和其他值都会发生变化，所以我猜 Monte Carlo 有效。如果是这样，有没有办法在每次运行时获得相同的结果，但同时使用 MCCV？

此外，目标是还开发一个 ANN 模型（也与 Monte Carlo 一起），并最终比较 MLR 和 ANN，然后使用开发的最佳模型对未来时期进行预测。我在某个地方读到，预测时不能使用 MCCV，是这样吗？

非常感谢您的宝贵时间。

【问题讨论】：

标签： python-3.x linear-regression cross-validation montecarlo

【解决方案1】：

为了应用 MCCV，您应该多次运行随机生成（不替换）训练集和测试集的过程。

因此，粗略地说，您需要将代码（生成训练/测试集、学习和预测）插入到 for 循环中。

注意分区是每次运行独立生成的，因此同一个数据点可以在训练（测试）集中出现多次，这实际上是与 k- 的显着差异折叠交叉验证。

【讨论】：