Python sklearn KFold 生成交叉验证数据集的方法
程序员文章站
2022-10-18 12:42:00
源起:
1.我要做交叉验证,需要每个训练集和测试集都保持相同的样本分布比例,直接用sklearn提供的kfold并不能满足这个需求。
2.将生成的交叉验证数据集保存成c...
源起:
1.我要做交叉验证,需要每个训练集和测试集都保持相同的样本分布比例,直接用sklearn提供的kfold并不能满足这个需求。
2.将生成的交叉验证数据集保存成csv文件,而不是直接用sklearn训练分类模型。
3.在编码过程中有一的误区需要注意:
这个sklearn官方给出的文档
>>> import numpy as np >>> from sklearn.model_selection import kfold >>> x = ["a", "b", "c", "d"] >>> kf = kfold(n_splits=2) >>> for train, test in kf.split(x): ... print("%s %s" % (train, test)) [2 3] [0 1] [0 1] [2 3]
我之前犯的一个错误是将train,test理解成原数据集分割成子数据集之后的子数据集索引。而实际上,它就是原始数据集本身的样本索引。
源码:
# -*- coding:utf-8 -*- # 得到交叉验证数据集,保存成csv文件 # 输入是一个包含正常恶意标签的完整数据集,在读数据的时候分开保存到datasetbenign,datasetmalicious # 分别对两个数据集进行kfold,最后合并保存 from sklearn.model_selection import kfold import csv def writeinfile(benignkftrain, benignkftest, maliciouskftrain, maliciouskftest, i, datasetbenign, datasetmalicious): newtrainfilepath = "e:\\hadoopexperimentresult\\5kfold\\alldatasetiir10\\dataset\\imbalancedalltraffic-train-%s.csv" % i newtestfilepath = "e:\\hadoopexperimentresult\\5kfold\\alldatasetiir10\\dataset\\iimbalancedalltraffic-test-%s.csv" % i newtrainfile = open(newtrainfilepath, "wb")# wb 为防止空行 newtestfile = open(newtestfilepath, "wb") writertrain = csv.writer(newtrainfile) writertest = csv.writer(newtestfile) for index in benignkftrain: writertrain.writerow(datasetbenign[index]) for index in benignkftest: writertest.writerow(datasetbenign[index]) for index in maliciouskftrain: writertrain.writerow(datasetmalicious[index]) for index in maliciouskftest: writertest.writerow(datasetmalicious[index]) newtrainfile.close() newtestfile.close() def getkfolddataset(datasetpath): # csv读取文件 # 开始从文件中读取全部的数据集 datasetfile = file(datasetpath, 'rb') datasetbenign = [] datasetmalicious = [] readerdataset = csv.reader(datasetfile) for line in readerdataset: if len(line) > 1: curline = [] curline.append(float(line[0])) curline.append(float(line[1])) curline.append(float(line[2])) curline.append(float(line[3])) curline.append(float(line[4])) curline.append(float(line[5])) curline.append(float(line[6])) curline.append(line[7]) if line[7] == "benign": datasetbenign.append(curline) else: datasetmalicious.append(curline) # 交叉验证分割数据集 k = 5 kf = kfold(n_splits=k) benignkftrain = []; benignkftest = [] for train,test in kf.split(datasetbenign): benignkftrain.append(train) benignkftest.append(test) maliciouskftrain=[]; maliciouskftest=[] for train,test in kf.split(datasetmalicious): maliciouskftrain.append(train) maliciouskftest.append(test) for i in range(k): print "======================== "+ str(i)+ " ========================" print benignkftrain[i], benignkftest[i] print maliciouskftrain[i],maliciouskftest[i] writeinfile(benignkftrain[i], benignkftest[i], maliciouskftrain[i], maliciouskftest[i], i, datasetbenign, datasetmalicious) datasetfile.close() if __name__ == "__main__": getkfolddataset(r"e:\hadoopexperimentresult\5kfold\alldatasetiir10\dataset\imbalancedalltraffic-10.csv")
以上这篇python sklearn kfold 生成交叉验证数据集的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
上一篇: Python3爬虫学习之应对网站反爬虫机制的方法分析
下一篇: io流