时间戳

首页 > 解决方案 > kfold交叉验证后如何绘制每个折叠的数据和模型拟合？

python - kfold交叉验证后如何绘制每个折叠的数据和模型拟合？

问题描述

我试图根据一个特征预测一个标签变量。两者似乎是高度线性相关的。我选择了一个线性回归模型来描述数据。我的代码输出显示了训练和测试数据的 R2 分数。我的模型表现良好，预计测试样本的两倍，其中 R2 为负数。我想绘制每个折叠的数据和模型的拟合，以了解出了什么问题。但是，从 python 编码的角度来看，我无法弄清楚如何做到这一点。

任何人都可以帮忙吗？


Test_scores = list()
Train_scores =list()
n_splits = 5
kfold = KFold(n_splits=n_splits
              , shuffle=False)
for train_ix, test_ix in kfold.split(Feature_X):
    Train_Feature_X, Test_Feature_X=Feature_X[train_ix], Feature_X[test_ix]
    Train_label_X, Test_label_X= label_X[train_ix],label_X[test_ix]
    model = LinearRegression()
    model.fit(Train_Feature_X, Train_label_X)
    pred_label_train = model.predict(Train_Feature_X)
    acc_train = r2_score(Train_label_X, pred_label_train)
    pred_label_test = model.predict(Test_Feature_X)
    acc_test = r2_score(Test_label_X, pred_label_test)
    Test_scores.append(acc_test)
    Train_scores.append(acc_train)
    print('> ', 'Train:'+ str(acc_train), "Test:"+ str(acc_test))
Test_mean, Test_std = np.mean(Test_scores), np.std(Test_scores)
Train_mean, Train_std = np.mean(Train_scores), np.std(Train_scores)

print('Mean of test: %.3f, Standard Deviation: %.3f' % (Test_mean, Test_std))
print('Mean of train: %.3f, Standard Deviation: %.3f' % (Train_mean, Train_std))

代码输出：

>  Train:0.9948113361306588 Test:0.9715872368615199
>  Train:0.9905854864161807 Test:0.9917503220348162
>  Train:0.9888929852977923 Test:-4.996610921978263
>  Train:0.990942242777374 Test:0.9960355777732937
>  Train:0.9925744355834707 Test:0.9458246438971184
Mean of test: -0.218, Standard Deviation: 2.389
Mean of train: 0.992, Standard Deviation: 0.002

在此处输入图像描述

标签： pythonmachine-learninglinear-regressioncross-validationk-fold

解决方案

您可以将绘图添加到循环周期中。

每次迭代您都可以访问训练测试折叠和预测，因此在打印值之前，print('> ', 'Train:'+ str(acc_train), "Test:"+ str(acc_test))您可以执行以下操作：

fig, ax = plt.subplots(nrows=1, ncols=5)
curr_split = 1
for ...

    plt.subplot(1, 5, curr_split)
    plt.plot(x, y)
    curr_split += 1
plt.show()

这将绘制 5 个子图，每个子图代表折叠。

请注意，这是您应该做的一般概述，请参阅以下链接中的文档plt.subplots()

推荐阅读