scikit-learn 线性回归的意外交叉验证分数

Question

我正在尝试学习使用 scikit-learn 来完成一些基本的统计学习任务。我以为我已经成功创建了适合我的数据的 LinearRegression 模型：

X_train, X_test, y_train, y_test = cross_validation.train_test_split(
    X, y,
    test_size=0.2, random_state=0)

model = linear_model.LinearRegression()
model.fit(X_train, y_train)
print model.score(X_test, y_test)

产生：

0.797144744766

然后我想通过自动交叉验证进行多个类似的 4:1 拆分：

model = linear_model.LinearRegression()
scores = cross_validation.cross_val_score(model, X, y, cv=5)
print scores

我得到这样的输出：

[ 0.04614495 -0.26160081 -3.11299397 -0.7326256  -1.04164369]

交叉验证分数与单个随机分割的分数为何相差如此之大？他们都应该使用 r2 评分，如果我将 scoring='r2' 参数传递给 cross_val_score.

，结果是相同的

我尝试了 random_state 参数到 cross_validation.train_test_split 的多种不同选项，它们都在 0.7 到 0.9 范围内给出了相似的分数。

我正在使用 sklearn 版本 0.16.1

Answer 1

事实证明，我的数据是按不同类的块排序的，默认情况下 cross_validation.cross_val_score 选择连续拆分而不是随机（随机）拆分。我能够通过指定交叉验证应该使用随机拆分来解决这个问题：

model = linear_model.LinearRegression()
shuffle = cross_validation.KFold(len(X), n_folds=5, shuffle=True, random_state=0)
scores = cross_validation.cross_val_score(model, X, y, cv=shuffle)
print scores

给出：

[ 0.79714474  0.86636341  0.79665689  0.8036737   0.6874571 ]

这符合我的预期。

Answer 2

train_test_split 似乎生成数据集的随机拆分，而 cross_val_score 使用连续集，即

"When the cv argument is an integer, cross_val_score uses the KFold or StratifiedKFold strategies by default"

http://scikit-learn.org/stable/modules/cross_validation.html

取决于数据集的性质，例如数据在一个段的长度上高度相关，连续的集合将给出与例如来自整个数据集的随机样本。

Answer 3

伙计们，感谢您的关注。

上述答案中的代码 (Schneider) 已过时。

从 scikit-learn==0.19.1 开始，这将按预期工作。

from sklearn.model_selection import cross_val_score, KFold
kf = KFold(n_splits=3, shuffle=True, random_state=0)
cv_scores = cross_val_score(regressor, X, y, cv=kf)

最佳，

男.

scikit-learn 线性回归的意外交叉验证分数

Unexpected cross-validation scores with scikit-learn LinearRegression

python

python-2.7

scikit-learn