使用 cross_val_scores 时性能更差，为什么？

Question

我先用train_test_split来分离train和test数据，代码：

X=LOG.iloc[:,:-3]
y=LOG.iloc[:,-3]
X_train,X_test,y_train, y_test=train_test_split(X,y)

scaler=MinMaxScaler().fit(X)
X_train_scaled=scaler.transform(X_train)
X_test_scaled=scaler.transform(X_test)

for thisalpha in [0.1,1,10]:
    mlpreg=MLPRegressor(hidden_layer_sizes=(11,8,4),
                    activation ="tanh",
                    alpha = thisalpha,
                    solver ="lbfgs",max_iter=20000).fit(X_train_scaled, y_train)

    y_test_predict = mlpreg.predict(X_test_scaled)
    y_train_predict= mlpreg.predict(X_train_scaled)
    print "aipha = {}, train score= {:.4f}, test score = {:.4f}, iter_number={}, loss={:.4f}".format(
        thisalpha,
        mlpreg.score(X_train_scaled,y_train),
        mlpreg.score(X_test_scaled,y_test),
        mlpreg.n_iter_,
        mlpreg.loss_)

我得到这样的表现：

aipha = 0.1，训练分数 = 0.7696，测试分数 = 0.7358

aipha = 1，训练分数 = 0.7419，测试分数 = 0.7219

aipha = 10，训练分数 = 0.6414，测试分数 = 0.6494

然后我尝试使用交叉验证来测试相同的数据集，我得到的分数要低得多：

X=LOG.iloc[:,:-3]
y=LOG.iloc[:,-3]

scaler= MinMaxScaler()

X_scaled=scaler.fit_transform(X)
clf=MLPRegressor(hidden_layer_sizes=(11,8,4),alpha= 
1,solver="lbfgs",max_iter=20000)
scores = cross_val_score(clf,X_scaled,y,cv=3)     

print scores

cross_val_score 是：

[0.04719619 0.36858483 0.36004186]

Answer 1

我找到了问题所在。我的数据实际上是以“堆栈”的方式放置的：所有类都在顶部，然后类 n 在底部。所以它给了我奇怪的结果。我像这样更改了我的代码，我需要首先对数据进行洗牌，然后使用交叉验证方法。

kfold = KFold(n_splits=3,shuffle=True,random_state=0)

X_scaled=scaler.fit_transform(X)
clf=MLPRegressor(hidden_layer_sizes=(11,8,4),alpha= 1,solver="lbfgs",max_iter=20000)
scores = cross_val_score(clf,X_scaled,y,cv=kfold)

print scores

我得到这样的分数：

[0.68697805 0.70411961 0.69466066]

Answer 2

查看您的代码，这可能是因为您在运行交叉验证模型时遗漏了activation="tanh"。否则，我能看到的唯一真正区别是您在第一种情况下测试了 25% 的数据，而在第二种情况下测试了 33%。这不会像您显示的那样显着影响准确性。

请注意，您不应使用验证/测试集来适应缩放器，因为这会将模型（间接）暴露给您的测试数据。这在第一种情况下很容易解决，但在使用 cross_val_score 时更难处理。