为什么我无法手动匹配LGBM的交叉验证得分?

我无法手动匹配LGBM的交叉验证得分。

这是一个最简可重现示例(MCVE):

from sklearn.datasets import load_breast_cancerimport pandas as pdfrom sklearn.model_selection import train_test_split, KFoldfrom sklearn.metrics import roc_auc_scoreimport lightgbm as lgbimport numpy as npdata = load_breast_cancer()X = pd.DataFrame(data.data, columns=data.feature_names)y = pd.Series(data.target)X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)folds = KFold(5, random_state=42)params = {'random_state': 42}results = lgb.cv(params, lgb.Dataset(X_train, y_train), folds=folds, num_boost_round=1000, early_stopping_rounds=100, metrics=['auc'])print('LGBM\'s cv score: ', results['auc-mean'][-1])clf = lgb.LGBMClassifier(**params, n_estimators=len(results['auc-mean']))val_scores = []for train_idx, val_idx in folds.split(X_train):    clf.fit(X_train.iloc[train_idx], y_train.iloc[train_idx])    val_scores.append(roc_auc_score(y_train.iloc[val_idx], clf.predict_proba(X_train.iloc[val_idx])[:,1]))print('Manual score: ', np.mean(np.array(val_scores)))

我原本期望这两个交叉验证得分是相同的 – 我已经设置了随机种子,并且做了完全相同的事情。但它们却不同。

这是我得到的输出:

LGBM's cv score:  0.9851513530737058Manual score:  0.9903622177441328

为什么?难道我没有正确使用LGBM的cv模块吗?


回答:

你将X分成了X_train和X_test。对于交叉验证,你将X_train分成了5折,而手动操作时,你将X分成了5折。也就是说,手动操作时你使用的数据点比交叉验证时多。

results = lgb.cv(params, lgb.Dataset(X_train, y_train)改为results = lgb.cv(params, lgb.Dataset(X, y)

此外,可能存在不同的参数。例如,LightGBM使用的线程数会影响结果。在交叉验证过程中,模型是并行训练的。因此,用于交叉验证的线程数可能与你手动顺序训练时不同。

第一次修正后的编辑:

你可以使用以下代码,通过手动分割/交叉验证来获得相同的结果:

from sklearn.datasets import load_breast_cancerimport pandas as pdfrom sklearn.model_selection import train_test_split, KFoldfrom sklearn.metrics import roc_auc_scoreimport lightgbm as lgbimport numpy as npdata = load_breast_cancer()X = pd.DataFrame(data.data, columns=data.feature_names)y = pd.Series(data.target)X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)folds = KFold(5, random_state=42)params = {        'task': 'train',        'boosting_type': 'gbdt',        'objective':'binary',        'metric':'auc',        }data_all = lgb.Dataset(X_train, y_train)results = lgb.cv(params, data_all,                  folds=folds.split(X_train),                  num_boost_round=1000,                  early_stopping_rounds=100)print('LGBM\'s cv score: ', results['auc-mean'][-1])val_scores = []for train_idx, val_idx in folds.split(X_train):    data_trd = lgb.Dataset(X_train.iloc[train_idx],                            y_train.iloc[train_idx],                            reference=data_all)    gbm = lgb.train(params,                    data_trd,                    num_boost_round=len(results['auc-mean']),                    verbose_eval=100)    val_scores.append(roc_auc_score(y_train.iloc[val_idx], gbm.predict(X_train.iloc[val_idx])))print('Manual score: ', np.mean(np.array(val_scores)))

结果是

LGBM's cv score:  0.9914524426410262Manual score:  0.9914524426410262

造成差异的是这一行reference=data_all。在交叉验证过程中,变量的分箱(参考LightGBM文档)是使用整个数据集(X_train)构建的,而在你的手动循环中,它是在训练子集(X_train.iloc[train_idx])上构建的。通过传递包含所有数据的数据集的引用,LightGBM将重用相同的分箱,从而得出相同的结果。

Related Posts

在使用k近邻算法时,有没有办法获取被使用的“邻居”?

我想找到一种方法来确定在我的knn算法中实际使用了哪些…

Theano在Google Colab上无法启用GPU支持

我在尝试使用Theano库训练一个模型。由于我的电脑内…

准确性评分似乎有误

这里是代码: from sklearn.metrics…

Keras Functional API: “错误检查输入时:期望input_1具有4个维度,但得到形状为(X, Y)的数组”

我在尝试使用Keras的fit_generator来训…

如何使用sklearn.datasets.make_classification在指定范围内生成合成数据?

我想为分类问题创建合成数据。我使用了sklearn.d…

如何处理预测时不在训练集中的标签

已关闭。 此问题与编程或软件开发无关。目前不接受回答。…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注