如何在 python 中使用交叉验证执行 GridSearchCV

Question

我正在使用GridSearchCV 执行RandomForest 的超参数调整，如下所示。

X = np.array(df[features]) #all features
y = np.array(df['gold_standard']) #labels

x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

param_grid = { 
    'n_estimators': [200, 500],
    'max_features': ['auto', 'sqrt', 'log2'],
    'max_depth' : [4,5,6,7,8],
    'criterion' :['gini', 'entropy']
}
CV_rfc = GridSearchCV(estimator=rfc, param_grid=param_grid, cv= 5)
CV_rfc.fit(x_train, y_train)
print(CV_rfc.best_params_)

我得到的结果如下。

{'criterion': 'gini', 'max_depth': 6, 'max_features': 'auto', 'n_estimators': 200}

之后，我将调整后的参数重新应用到x_test，如下所示。

rfc=RandomForestClassifier(random_state=42, criterion ='gini', max_depth= 6, max_features = 'auto', n_estimators = 200, class_weight = 'balanced')
rfc.fit(x_train, y_train)
pred=rfc.predict(x_test)
print(precision_recall_fscore_support(y_test,pred))
print(roc_auc_score(y_test,pred))

但是，我仍然不清楚如何将GridSearchCV 与10-fold cross validation 一起使用（即不只是将调整后的参数应用于x_test）。即如下所示。

kf = StratifiedKFold(n_splits=10)
for fold, (train_index, test_index) in enumerate(kf.split(X, y), 1):
    X_train = X[train_index]
    y_train = y[train_index]
    X_test = X[test_index]
    y_test = y[test_index]

或

既然GridSearchCV 使用了crossvalidation，我们可以使用所有X 和y 并得到最好的结果作为最终结果吗？

如果需要，我很乐意提供更多详细信息。

Answer 1

既然GridSearchCV使用了crossvalidation，我们可以使用所有的X和y并得到最好的结果作为最终结果吗？

不，您不应该调整您的超参数（通过GridSearchCV 或单个gridSearch()），因为模型会选择最适合测试数据的超参数。这种方法失去了测试数据的真正目的。该模型性能不可泛化，因为它在超参数调优期间已经看到了这些数据。

查看this 文档以更好地了解超参数调整和交叉验证。

文档中的一些图片：

Answer 2

在这种情况下，您不应执行网格搜索。

在内部，GridSearchCV 将提供给它的数据集拆分为各种 training 和 validation 子集，并使用提供给它的超参数网格找到 在验证子集上给出最高分数的单组超参数。

训练-测试拆分的重点是，在此过程完成后，对迄今为止模型未知的测试数据执行一个最终评分，以查看是否您的超参数已经过拟合验证子集。如果效果不错，那么下一步就是将模型投入生产/部署。

如果您在交叉验证内执行网格搜索，那么您将拥有多个组超参数，每个超参数都在其网格搜索验证子上做得最好- 交叉验证拆分的子集。您无法将这些集合组合成一个连贯的超参数规范，因此您无法部署您的模型。