“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

set.seed(17)

require(caret)

folds

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

for(i in 1:10){

fold_test

fold_train

fold_pre

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

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

fold_train

fold_pre

fold_predict

predict(fold_pre,type='response',newdata=fold_test)

roc_curve

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。

大数据部落——中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务

统计分析和数据挖掘咨询服务

：y0.cn/teradat(咨询服务请联系官网客服)

QQ：3025393450

【服务场景】 科研项目；

公司项目外包 ；线上线下一对一培训

；数据采集；学术研究；报告撰写；市场调查。

【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询服务

分享最新的大数据资讯，每天学习一点数据分析，让我们一起做有态度的数据人

微信客服号：lico_9e

QQ交流群：186388004 

欢迎关注微信公众号，了解更多数据干货资讯！