scikit-learn 中的 StratifiedKFold 与 KFold答案

【问题标题】：StratifiedKFold vs KFold in scikit-learnscikit-learn 中的 StratifiedKFold 与 KFold
【发布时间】：2021-03-26 20:35:56
【问题描述】：

我用这段代码测试KFold和StratifiedKFold。

import numpy as np
from sklearn.model_selection import KFold,StratifiedKFold

X = np.array([
    [1,2,3,4],
    [11,12,13,14],
    [21,22,23,24],
    [31,32,33,34],
    [41,42,43,44],
    [51,52,53,54],
    [61,62,63,64],
    [71,72,73,74]
])

y = np.array([0,0,0,0,1,1,1,1])

sfolder = StratifiedKFold(n_splits=4,random_state=0,shuffle=False)
floder = KFold(n_splits=4,random_state=0,shuffle=False)

for train, test in sfolder.split(X,y):
    print('Train: %s | test: %s' % (train, test))
print("StratifiedKFold done")

for train, test in floder.split(X,y):
    print('Train: %s | test: %s' % (train, test))
print("KFold done")

我发现StratifiedKFold可以保持标签比例，而KFold不能。

Train: [1 2 3 5 6 7] | test: [0 4]
Train: [0 2 3 4 6 7] | test: [1 5]
Train: [0 1 3 4 5 7] | test: [2 6]
Train: [0 1 2 4 5 6] | test: [3 7]
StratifiedKFold done
Train: [2 3 4 5 6 7] | test: [0 1]
Train: [0 1 4 5 6 7] | test: [2 3]
Train: [0 1 2 3 6 7] | test: [4 5]
Train: [0 1 2 3 4 5] | test: [6 7]
KFold done

好像StratifiedKFold比较好，那KFold是不是应该不用了？

何时使用KFold 而不是StratifiedKFold？

【问题讨论】：

there 也提供了很好的答案（如果您还想在 StratifiedShuffleSplit 除了StratifiedKFold 和 KFold 之外潜水）。

标签： python machine-learning scikit-learn

【解决方案1】：

我认为您应该问“何时使用 StratifiedKFold 而不是 KFold？”。

您首先需要知道什么是“KFold”和“Stratified”。

KFold 是一个交叉验证器，将数据集分成 k 个折叠。

分层是为了保证数据集的每一折都有相同的具有给定标签的观察比例。

所以，这意味着StratifiedKFold是KFold的改进版

因此，这个问题的答案是在处理具有不平衡类分布的分类任务时，我们应该更喜欢 StratifiedKFold 而不是 KFold。

举例

假设有一个包含 16 个数据点且类别分布不平衡的数据集。在数据集中，12 个数据点属于 A 类，其余（即 4 个）属于 B 类。B 类与 A 类的比例为 1/3。如果我们使用 StratifiedKFold 并设置 k = 4，那么训练集将包括来自 A 类的 9 个数据点和来自 B 类的 3 个数据点，而测试集将包括来自 A 类的 3 个数据点和 1 个数据B类的点。

如我们所见，StratifiedKFold 保留了数据集的类分布，而 KFold 没有考虑到这一点。

【讨论】：

【解决方案2】：

Assume Classification problem, Having 3 class(A,B,C) to predict.

Class  No_of_instance

 A           50 
 B           50
 C           50

**StratifiedKFold**

If data-set is  divided  into 5 fold. Then each fold will contains 10 instance from each class, i.e. no of instance per class is equal and follow  uniform distribution.

**KFold**

it will randomly took 30 instance and no of instance per class may or may not be equal or uniform.

**When to use**

Classification task use StratifiedKFold, and regression task use Kfold .
 
But if dataset contains  large number of instance, both StratifiedKFold and Kfold can be used in classification task.

【讨论】：

【解决方案3】：

StratifiedKFold: 这个交叉验证对象是返回分层折叠的 KFold 的变体。通过保留每个类的样本百分比来进行折叠

KFold: 将数据集拆分为 k 个连续折叠。

StratifiedKFold 在训练和测试中需要balance of percentage each class 时使用。如果不需要，则使用KFOld。

【讨论】：