交叉验证（也称为"过采样"技术）是数据科学项目的基本要素。 它是一种重采样过程，用于评估机器学习模型并访问该模型对独立测试数据集的性能。

在本文中，您可以阅读以下大约8种不同的交叉验证技术，各有其优缺点：

1. Leave p out cross-validation

1. Leave one out cross-validation

1. Holdout cross-validation

1. Repeated random subsampling validation

1. k-fold cross-validation

1. Stratified k-fold cross-validation

1. Time Series cross-validation

1. Nested cross-validation

在介绍交叉验证技术之前，让我们知道为什么在数据科学项目中应使用交叉验证。

为什么交叉验证很重要？

我们经常将数据集随机分为训练数据和测试数据，以开发机器学习模型。 训练数据用于训练ML模型，同一模型在独立的测试数据上进行测试以评估模型的性能。

随着分裂随机状态的变化，模型的准确性也会发生变化，因此我们无法为模型获得固定的准确性。 测试数据应与训练数据无关，以免发生数据泄漏。 在使用训练数据开发ML模型的过程中，需要评估模型的性能。 这就是交叉验证数据的重要性。

数据需要分为：

· 训练数据：用于模型开发

· 验证数据：用于验证相同模型的性能

 

简单来说，交叉验证使我们可以更好地利用我们的数据。

1.Leave p-out cross-validation

LpOCV是一种详尽的交叉验证技术，涉及使用p观测作为验证数据，而其余数据则用于训练模型。 以所有方式重复此步骤，以在p个观察值的验证集和一个训练集上切割原始样本。

已推荐使用p = 2的LpOCV变体（称为休假配对交叉验证）作为估计二进制分类器ROC曲线下面积的几乎无偏的方法。

2. Leave-one-out cross-validation

留一法交叉验证（LOOCV）是一种详尽的穷尽验证技术。 在p = 1的情况下，它是LpOCV的类别。

 

对于具有n行的数据集，选择第1行进行验证，其余(n-1)行用于训练模型。对于下一个迭代，选择第2行进行验证，然后重置来训练模型。类似地，这个过程重复进行，直到n步或达到所需的操作次数。

以上两种交叉验证技术都是详尽交叉验证的类型。穷尽性交叉验证方法是交叉验证方法，以所有可能的方式学习和测试。他们有相同的优点和缺点讨论如下:

优点： 简单，易于理解和实施

缺点： 该模型可能会导致较低的偏差、所需的计算时间长

3.Holdout cross-validation

保留技术是一种详尽的交叉验证方法，该方法根据数据分析将数据集随机分为训练数据和测试数据。

 

在保留交叉验证的情况下，数据集被随机分为训练和验证数据。 通常，训练数据的分割不仅仅是测试数据。 训练数据用于推导模型，而验证数据用于评估模型的性能。

用于训练模型的数据越多，模型越好。 对于保留交叉验证方法，需要从训练中隔离大量数据。

优点：和以前一样，简单，易于理解和实施

缺点： 不适合不平衡数据集、许多数据与训练模型隔离

4. k-fold cross-validation

在k折交叉验证中，原始数据集被平均分为k个子部分或折叠。 从k折或组中，对于每次迭代，选择一组作为验证数据，其余（k-1）个组选择为训练数据。

 

该过程重复k次，直到将每个组视为验证并保留为训练数据为止。

 

模型的最终精度是通过获取k模型验证数据的平均精度来计算的。

 

LOOCV是k折交叉验证的变体，其中k = n。

优点：

· 该模型偏差低

· 时间复杂度低

· 整个数据集可用于训练和验证

缺点：不适合不平衡数据集。

5. Repeated random subsampling validation

重复的随机子采样验证（也称为蒙特卡洛交叉验证）将数据集随机分为训练和验证。 数据集的k倍交叉验证不太可能分成几类，而不是成组或成对，而是在这种情况下随机地成组。

迭代次数不是固定的，而是由分析决定的。 然后将结果平均化。

 

重复随机二次抽样验证

 

优点： 训练和验证拆分的比例不取决于迭代或分区的数量

缺点： 某些样本可能无法选择用于训练或验证、不适合不平衡数据集

6. Stratified k-fold cross-validation

对于上面讨论的所有交叉验证技术，它们可能不适用于不平衡的数据集。 分层k折交叉验证解决了数据集不平衡的问题。

在分层k倍交叉验证中，数据集被划分为k个组或折叠，以使验证数据具有相等数量的目标类标签实例。 这样可以确保在验证或训练数据中不会出现一个特定的类，尤其是在数据集不平衡时。

 

分层k折交叉验证，每折具有相等的目标类实例

最终分数是通过取各折分数的平均值来计算的

优点： 对于不平衡的数据集，效果很好。

缺点： 现在适合时间序列数据集。

7. Time Series cross-validation

数据的顺序对于与时间序列相关的问题非常重要。 对于与时间相关的数据集，将数据随机拆分或k折拆分为训练和验证可能不会产生良好的结果。

对于时间序列数据集，根据时间将数据分为训练和验证，也称为前向链接方法或滚动交叉验证。 对于特定的迭代，可以将训练数据的下一个实例视为验证数据。

 

如上图所述，对于第一个迭代，第一个3行被视为训练数据，下一个实例T4是验证数据。 选择训练和验证数据的机会将被进一步迭代。

8. Nested cross-validation

在进行k折和分层k折交叉验证的情况下，我们对训练和测试数据中的错误估计差。 超参数调整是在较早的方法中单独完成的。 当交叉验证同时用于调整超参数和泛化误差估计时，需要嵌套交叉验证。

嵌套交叉验证可同时应用于k折和分层k折变体。

结论

交叉验证用于比较和评估ML模型的性能。 在本文中，我们介绍了8种交叉验证技术及其优缺点。 k折和分层k折交叉验证是最常用的技术。 时间序列交叉验证最适合与时间序列相关的问题。

这些交叉验证的实现可以在sklearn包中找到。 有兴趣的读者可以阅读sklearn文档以获取更多详细信息。

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

 

作者：Satyam Kumar

deephub翻译组