【Python机器学习】模型评估与改进——分层k折交叉验证

在k折分层验证中，将数据集划分为k折时，从数据的前k分之一开始划分，这可能并不总是一个好主意，例如iris数据集中：

python 复制代码

from sklearn.datasets import load_iris

iris=load_iris()
print('Iris labels:\n:{}'.format(iris.target))

可以看到，数据的前1/3是类别0，中间1/3是类别1，后1/3是类别2。如果在这个数据集上进行3折交叉验证，第一折将只包含类别0，所以在数据的第一次划分中，测试集将只包含类别0，而训练集只包含类别1和2。由于在3次划分中训练集和测试集中的类别都不一样，所以这个数据集上的3折交叉验证精度为0，这没什么用，因为我们在iris上可以得到比0%好得多的精度。

因为简单的k折策略在这里失效了，所以scikit-learn在分类问题中不适用这种策略，而是使用分层k折交叉验证。

在分层交叉验证中，我们划分数据，使每个折中类别之间的比例与整个数据集中的比例相同，比如：

python 复制代码

mglearn.plots.plot_stratified_cross_validation()
plt.show()

举个例子，如果按照90%的样本属于类别A而10%的样本属于类别B，那么分层交叉验证可以确保，在每个折中90%的样本属于类别A而10%的样本属于类别B。

使用分层k折交叉验证而不是k折交叉验证来评估一个分类器，这通常是一个好主意，因为它可以对泛化性能做出更可靠的评估。在只有10%的样本属于类别B的情况下，如果使用标准k折交叉验证，很可能某个折中只包含类别A的样本。利用这个折作为测试集的话，无法给出分类器整体性能的信息。

对于回归问题，scikit-learn默认使用标准k折交叉验证。也可以尝试让每个折表示回归目标的不同取值，但这并不是一种常用的策略。