使用 cross_val_predict 与 cross_val_score 时

Question

我预计这两种方法都会返回相当相似的错误，有人可以指出我的错误吗？计算均方根误差...rf = RandomForestRegressor(random_state=555, n_estimators=100, max_depth=8)rf_preds = cross_val_predict(rf, train_, targets, cv=7, n_jobs=7) print("RMSE Score using cv preds: {:0.5f}".format(metrics.mean_squared_error(targets, rf_preds, squared=False)))scores = cross_val_score(rf, train_, targets, cv=7, scoring='neg_root_mean_squared_error', n_jobs=7)print("RMSE Score using cv_score: {:0.5f}".format(scores.mean() * -1))RMSE Score using cv preds: 0.01658RMSE Score using cv_score: 0.01073

Answer 1

这里有两个问题，在文档中都有提到cross_val_predict：

结果可能与和 不同cross_validate，cross_val_score除非所有测试集都具有相同的大小并且度量在样本上分解。

首先是使所有集合（训练和测试）在两种情况下都相同，这在您的示例中并非如此。为此，我们需要使用该kfold方法来定义我们的 CV 折叠，然后在两种情况下都使用这些相同的折叠。这是一个带有虚拟数据的示例：

from sklearn.datasets import make_regression

from sklearn.model_selection import KFold, cross_val_score, cross_val_predict

from sklearn.ensemble import RandomForestRegressor

from sklearn.metrics import mean_squared_error

X, y = make_regression(n_samples=2000, n_features=4, n_informative=2,

                      random_state=42, shuffle=False)

rf = RandomForestRegressor(max_depth=2, random_state=0)

kf = KFold(n_splits=5)

rf_preds = cross_val_predict(rf, X, y, cv=kf, n_jobs=5) 

print("RMSE Score using cv preds: {:0.5f}".format(mean_squared_error(y, rf_preds, squared=False)))

scores = cross_val_score(rf, X, y, cv=kf, scoring='neg_root_mean_squared_error', n_jobs=5)

print("RMSE Score using cv_score: {:0.5f}".format(scores.mean() * -1))

上面代码片段的结果（完全可重现，因为我们已经明确设置了所有必要的随机种子）是：

RMSE Score using cv preds: 15.16839

RMSE Score using cv_score: 15.16031

所以，我们可以看到这两个分数确实相似，但仍然不完全相同。

这是为什么？答案在于上面引用的句子中相当隐秘的第二部分，即 RMSE 分数不会分解样本（老实说，我不知道它分解的任何 ML 分数）。

简单来说，whilecross_val_predict严格按照其定义计算RMSE，即（伪代码）：

RMSE = square_root([(y[1] - y_pred[1])^2 + (y[2] - y_pred[2])^2 + ... + (y[n] - y_pred[n])^2]/n)

样本数量在哪里n，该cross_val_score方法并没有完全做到这一点；它所做的是为每个kCV 折叠计算 RMSE，然后对这些k值进行平均，即（再次伪代码）：

RMSE = (RMSE[1] + RMSE[2] + ... + RMSE[k])/k

正是因为 RMSE 不可分解样本，这两个值虽然接近，但并不相同。

我们实际上可以通过手动执行 CV 程序并模拟 RMSE 计算来证明确实如此，如上文cross_val_score所述，即：

import numpy as np

RMSE__cv_score = []

for train_index, val_index in kf.split(X):

    rf.fit(X[train_index], y[train_index])

    pred = rf.predict(X[val_index])

    err = mean_squared_error(y[val_index], pred, squared=False)

    RMSE__cv_score.append(err)

print("RMSE Score using manual cv_score: {:0.5f}".format(np.mean(RMSE__cv_score)))

结果是：

RMSE Score using manual cv_score: 15.16031

即与cross_val_score上面返回的相同。

所以，如果我们想要非常精确，事实是正确的 RMSE（即完全根据其定义计算）是cross_val_predict; cross_val_score返回它的近似值。但是在实践中，我们往往会发现区别并不那么显着，所以cross_val_score如果方便的话我们也可以使用。