拆分数据集以进行机器学习

适当拆分数据集以进行训练、验证和测试。

Intuition

为了确定模型的有效性，需要有一个公正的测量方法。为此，将数据集拆分为training、validation和testing数据拆分。

1. 使用训练拆分来训练模型。

   在这里，模型将可以访问输入和输出以优化其内部权重。

2. 在训练拆分的每个循环（epoch）之后，将使用验证拆分来确定模型性能。

   在这里，模型不会使用输出来优化其权重，而是使用性能来优化训练超参数，例如学习率等。

3. 训练停止（epoch(s)）后，将使用测试拆分对模型进行一次性评估。

   这是衡量模型在新的、看不见的数据上表现的最佳方法。请注意，当性能改进不显着或可能指定的任何其他停止标准时，_训练会停止。_

创建适当的数据拆分

应该关注哪些标准来确保正确的数据拆分？

显示答案

• 数据集（和每个数据拆分）应该代表将遇到的数据
• 输出值在所有拆分中的相等分布
• 如果以防止输入差异的方式组织数据，则打乱您的数据
• 如果您的任务可能遭受数据泄漏（例如time-series） ，请避免随机洗牌

需要在拆分之前先清理数据，至少对于拆分所依赖的特征。所以这个过程更像是：预处理（全局，清洗）→分裂→预处理（局部，转换）。

Naive split

首先将数据集拆分为三个数据拆分，用于训练、验证和测试。

from sklearn.model_selection import train_test_split

# Split sizes
train_size = 0.7
val_size = 0.15
test_size = 0.15

对于多类任务（每个输入都有一个标签），希望确保每个数据拆分具有相似的类分布。stratify可以通过添加关键字参数来指定如何对拆分进行分层来实现这一点。

# Split (train)
X_train, X_, y_train, y_ = train_test_split(
    X, y, train_size=train_size, stratify=y)

print (f"train: {len(X_train)} ({(len(X_train) / len(X)):.2f})\n"
       f"remaining: {len(X_)} ({(len(X_) / len(X)):.2f})")

train: 668 (0.70) remaining: 287 (0.30)

# Split (test)
X_val, X_test, y_val, y_test = train_test_split(
    X_, y_, train_size=0.5, stratify=y_)

print(f"train: {len(X_train)} ({len(X_train)/len(X):.2f})\n"
      f"val: {len(X_val)} ({len(X_val)/len(X):.2f})\n"
      f"test: {len(X_test)} ({len(X_test)/len(X):.2f})")

train: 668 (0.70)
val: 143 (0.15)
test: 144 (0.15)

# Get counts for each class
counts = {}
counts["train_counts"] = {tag: label_encoder.decode(y_train).count(tag) for tag in label_encoder.classes}
counts["val_counts"] = {tag: label_encoder.decode(y_val).count(tag) for tag in label_encoder.classes}
counts["test_counts"] = {tag: label_encoder.decode(y_test).count(tag) for tag in label_encoder.classes}

# View distributions
pd.DataFrame({
    "train": counts["train_counts"],
    "val": counts["val_counts"],
    "test": counts["test_counts"]
}).T.fillna(0)

很难比较这些，因为训练和测试比例不同。让看看平衡后的分布是什么样子。需要将测试比率乘以多少才能得到与训练比率相同的数量？

# Adjust counts across splits
for k in counts["val_counts"].keys():
    counts["val_counts"][k] = int(counts["val_counts"][k] * \
        (train_size/val_size))
for k in counts["test_counts"].keys():
    counts["test_counts"][k] = int(counts["test_counts"][k] * \
        (train_size/test_size))

	computer-vision	mlops	natural-language-processing	other
train	249	55	272	92
val	53	12	58	20
test	54	12	58	20

可以通过计算每个拆分的类计数与平均值（理想拆分）的标准差来查看原始数据拆分中有多少偏差。

# Standard deviation
np.mean(np.std(dist_df.to_numpy(), axis=0))

0.9851056877051131

# Split DataFrames
train_df = pd.DataFrame({"text": X_train, "tag": label_encoder.decode(y_train)})
val_df = pd.DataFrame({"text": X_val, "tag": label_encoder.decode(y_val)})
test_df = pd.DataFrame({"text": X_test, "tag": label_encoder.decode(y_test)})
train_df.head()

多标签分类

如果有一个多标签分类任务，那么将通过skmultilearn库应用迭代分层，该库本质上将每个输入分成子集（其中每个标签都被单独考虑），然后从最少的“正面”开始分配样本样本并处理具有最多标签的输入。

from skmultilearn.model_selection import IterativeStratification
def iterative_train_test_split(X, y, train_size):
    """Custom iterative train test split which
    'maintains balanced representation with respect
    to order-th label combinations.'
    """
    stratifier = IterativeStratification(
        n_splits=2, order=1, sample_distribution_per_fold=[1.0-train_size, train_size, ])
    train_indices, test_indices = next(stratifier.split(X, y))
    X_train, y_train = X[train_indices], y[train_indices]
    X_test, y_test = X[test_indices], y[test_indices]
    return X_train, X_test, y_train, y_test

迭代分层本质上会产生分裂，同时“试图保持关于顺序标签组合的平衡表示”。习惯于order=1迭代拆分，这意味着关心在拆分中提供每个标签的代表性分布。但是也可以考虑更高阶的标签关系，可能关心标签组合的分布。

---

本文主体源自以下链接：

@article{madewithml,
    author       = {Goku Mohandas},
    title        = { Made With ML },
    howpublished = {\url{https://madewithml.com/}},
    year         = {2022}
}