python - 在生成文档术语矩阵之前或之后拆分为测试和训练集?
问题描述
我正在研究简单的机器学习问题,并尝试构建一个可以区分垃圾短信和非垃圾短信的分类器。我很困惑是否需要在拆分为测试集和训练集之前生成文档项矩阵,还是应该在拆分为测试集和训练集之后生成文档项矩阵?
我尝试了两种方法,发现在生成文档术语矩阵之前拆分数据时准确度略高。但对我来说,这没有任何意义。精度不应该一样吗?这些操作的顺序有什么不同吗?
解决方案
定性地说,你不需要这样做。但是,正确的程序要求您将训练和测试数据完全分开。总体概念是测试数据不直接在训练中表示;这有助于减少过度拟合。测试数据(以及后来的验证数据)是经过训练的模型在训练期间从未遇到过的样本。
因此,测试数据不应包含在您的预处理中——文档术语矩阵。这打破了分离,因为模型在一方面“看到”了训练期间的测试数据。
从数量上讲,您需要先进行拆分,因为该矩阵仅用于针对训练集训练模型。当您将测试数据包含在矩阵中时,您获得的矩阵在表示训练数据时略微不准确:它不再正确地表示您实际训练的数据。这就是为什么您的模型不如遵循正确分离程序的模型好。
这是一个细微的区别,最重要的是因为训练集和测试集应该是相同可能输入群体的随机样本。随机差异提供了您遇到的小惊喜。
推荐阅读
- r - R中的自变量和选择类别
- javascript - react native - 使用 API 请求验证表单
- testing - Java 问题:src/main 类未在 src/test 中编译
- python - K 移除挑战后唯一整数的最少数量
- oracle - oracle apex 代码中缺少右括号
- python - Power BI 仅显示 Matplotlib 补丁集合中的一个补丁
- python - Pyinstaller:ModuleNotFoundError:没有名为“wmi”的模块;得到几个模块未找到错误
- asp.net-core - ASP.NET Core 3.1 - Json 请求属性到操作方法参数模型绑定
- regex - 在短语中查找字符串
- android - Firebase Analytics - 如何查看按 item_id 分组的 select_content 事件的统计信息