k折交叉验证(R语言)

“ 机器学习中需要把数据分为训练集和测试集，因此如何划分训练集和测试集就成为影响模型效果的重要因素。本文介绍一种常用的划分最优训练集和测试集的方法——k折交叉验证。”

• k折交叉验证

K折交叉验证(k-fold cross-validation)首先将所有数据分割成K个子样本，不重复的选取其中一个子样本作为测试集，其他K-1个样本用来训练。共重复K次，平均K次的结果或者使用其它指标，最终得到一个单一估测。

这个方法的优势在于，保证每个子样本都参与训练且都被测试，降低泛化误差。其中，10折交叉验证是最常用的。

• 实例代码

在线性分类器与性能评价(R语言)中，我们将数据集随机抽取70%作为训练集，剩下30%作为测试集，通过线性回归的方法进行预测，通过ROC和AUC评价模型效果。现在，我们使用k折交叉验证的方法，选取最优的训练集和测试集，建立线性分类器并评价模型效果。

1、数据导入并分组。导入数据，并使用caret包中的createFolds()函数，根据标签列将数据分成10份 。

target.url <- 'https://archive.ics.uci.edu/ml/machine-learning-databases/undocumented/connectionist-bench/sonar/sonar.all-data' data <- read.csv(target.url,header = F) set.seed(17) require(caret) folds <- createFolds(y=data[,61],k=10)

2、选取最优训练集与测试集。构建for循环，得到十次交叉验证预测的AUC值。并纪录取值最大的一组，作为最优的训练集与测试集划分。

library(pROC) max=0 num=0 auc_value<-as.numeric() for(i in 1:10){ fold_test <- data[folds[[i]],] #取folds[[i]]作为测试集 fold_train <- data[-folds[[i]],] # 剩下的数据作为训练集 fold_pre <- lm(as.numeric(V61)~.,data=fold_train) fold_predict <- predict(fold_pre,type='response',newdata=fold_test) auc_value<- append(auc_value,as.numeric(auc(as.numeric(fold_test[,61]),fold_predict))) } num<-which.max(auc_value) print(auc_value)

10次auc取值结果如下：

[1] 0.7636364 0.7474747 0.8484848 0.9363636 0.7272727 0.8454545 0.9181818 0.7454545 0.7979798 [10] 0.7916667

3、构建分类器并判断模型效果。根据前一步的结果，使用最优划分构建线性分类器并预测。绘制出测试集的ROC曲线。

fold_test <- data[folds[[num]],] fold_train <- data[-folds[[num]],] fold_pre <- lm(as.numeric(V61)~.,data=fold_train) fold_predict <- predict(fold_pre,type='response',newdata=fold_test) roc_curve <- roc(as.numeric(fold_test[,61]),fold_predict) plot(roc_curve, print.auc=TRUE, auc.polygon=TRUE, grid=c(0.1, 0.2), grid.col=c("green", "red"), max.auc.polygon=TRUE, auc.polygon.col="skyblue", print.thres=TRUE,main="ROC curve for the set with the largest AUC value")

线性分类器与性能评价(R语言)中随机选取训练集和测试集，最终测试集的AUC值仅为0.755，而本次我们通过k折交叉验证选取训练集和测试集，测试集AUC值达到0.936，可以看出模型效果提升显著。