Sklearn 0.20+的交叉验证？

Question

我正在尝试进行交叉验证，但遇到了一个错误，提示：“找到样本数量不一致的输入变量：[18, 1]”

我使用 pandas 数据框 (df) 中的不同列作为特征，最后一列作为标签。这源自 UC Irvine 的机器学习存储库。在导入我过去使用的交叉验证包时，我收到一个错误，它可能已经贬值。我将运行决策树、SVM 和 K-NN。

我的代码是这样的：

feature = [df['age'], df['job'], df['marital'], df['education'], df['default'], df['housing'], df['loan'], df['contact'],
       df['month'], df['day_of_week'], df['campaign'], df['pdays'], df['previous'], df['emp.var.rate'], df['cons.price.idx'],
       df['cons.conf.idx'], df['euribor3m'], df['nr.employed']]
label = [df['y']]

from sklearn.cross_validation import train_test_split
from sklearn.model_selection import cross_val_score
# Model Training 
x = feature[:]
y = label
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.5)

任何帮助都会很棒！

Answer 1

cross_validation 模块已弃用。新模块model_selection 已取而代之。所以你对cross_validation 所做的一切。现已在model_selection 中提供。那么你上面的代码就变成了：

feature = [df['age'], df['job'], df['marital'], df['education'], df['default'], df['housing'], df['loan'], df['contact'],
       df['month'], df['day_of_week'], df['campaign'], df['pdays'], df['previous'], df['emp.var.rate'], df['cons.price.idx'],
       df['cons.conf.idx'], df['euribor3m'], df['nr.employed']]
label = [df['y']]

from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score

现在就声明 X 和 y 而言，为什么要将它们包装在一个列表中。像这样使用它们：

feature = df[['age', 'job', 'marital', 'education', 'default', 'housing', 
              'loan', 'contact', 'month', 'day_of_week', 'campaign', 
              'pdays', 'previous', 'emp.var.rate', 'cons.price.idx', 
              'cons.conf.idx', 'euribor3m', 'nr.employed']]
label = df['y']

然后您可以简单地使用您的代码，而无需更改任何内容。

# Model Training 
x = feature[:]
y = label
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.5)

对于您关于交叉验证中折叠的最后一个问题，sklearn 中有多个类可以执行此操作（取决于任务）。请看：

• http://scikit-learn.org/stable/modules/classes.html#splitter-classes

其中包含折叠迭代器。请记住，所有这些都存在于model_selection 包中。

Answer 2

feature 列表中的项目是熊猫系列。您不需要像以前那样在列表中列出每个功能；您只需要将它们全部作为一个“表”传递。

例如，这看起来像银行数据集：

df = pd.read_csv('bank.csv', sep=';')
#df.shape
#(4521, 17)
#df.columns
#Index(['age', 'job', 'marital', 'education', 'default', 'balance', 'housing',
#       'loan', 'contact', 'day', 'month', 'duration', 'campaign', 'pdays',
#       'previous', 'poutcome', 'y'],
#      dtype='object')

x = df.iloc[:, :-1]
y = df.iloc[:, -1]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.5)

应该可以。这里唯一需要注意的是 x 是一个有 16 列的 DataFrame，但它的底层数据是一个 numpy ndarray - 不是一个系列列表，而是一个单一的“矩阵”。