python - optimize - ¿Cómo dividir/particionar un conjunto de datos en conjuntos de datos de entrenamiento y prueba para, por ejemplo, validación cruzada?

python optimization solver

Question

¿Cuál es una buena manera de dividir aleatoriamente una matriz NumPy en el conjunto de datos de entrenamiento y prueba / validación? Algo similar a las funciones de cvpartition o crossvalind en Matlab.

Answer 1

Aquí hay un código para dividir los datos en n = 5 pliegues de forma estratificada

% X = data array
% y = Class_label
from sklearn.cross_validation import StratifiedKFold
skf = StratifiedKFold(y, n_folds=5)
for train_index, test_index in skf:
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]

Answer 2

Como el módulo sklearn.cross_validation está en desuso, puede usar:

import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
X_trn, X_tst, y_trn, y_tst = train_test_split(X, y, test_size=0.2, random_state=42)

Answer 3

Escribí una función para mi propio proyecto para hacer esto (sin embargo, no usa numpy):

def partition(seq, chunks):
"""Splits the sequence into equal sized chunks and them as a list"""
result = []
for i in range(chunks):
chunk = []
for element in seq[i:len(seq):chunks]:
chunk.append(element)
result.append(chunk)
return result

Si desea que los fragmentos se aleatoricen, simplemente mezcle la lista antes de pasarla.

Answer 4

Gracias pbykes por tu respuesta. Lo modifiqué para evitar (1) reemplazo mientras tomaba muestras (2) ocurrieron instancias duplicadas tanto en entrenamiento como en pruebas:

training_idx = np.random.choice(X.shape[0], int(np.round(X.shape[0] * 0.8)),replace=False)
training_idx = np.random.permutation(np.arange(X.shape[0]))[:np.round(X.shape[0] * 0.8)]
test_idx = np.setdiff1d( np.arange(0,X.shape[0]), training_idx)

Answer 5

Hay otra opción que solo implica usar scikit-learn. Como describe el wiki de scikit , puedes usar las siguientes instrucciones:

from sklearn.model_selection import train_test_split
data, labels = np.arange(10).reshape((5, 2)), range(5)
data_train, data_test, labels_train, labels_test = train_test_split(data, labels, test_size=0.20, random_state=42)

De esta forma, puede mantener sincronizadas las etiquetas de los datos que intenta dividir en entrenamiento y prueba.

Answer 6

Si desea dividir el conjunto de datos una vez en dos mitades, puede usar numpy.random.shuffle , o numpy.random.permutation si necesita realizar un seguimiento de los índices:

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
numpy.random.shuffle(x)
training, test = x[:80,:], x[80:,:]

o

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
indices = numpy.random.permutation(x.shape[0])
training_idx, test_idx = indices[:80], indices[80:]
training, test = x[training_idx,:], x[test_idx,:]

Hay muchas maneras de particionar repetidamente el mismo conjunto de datos para la validación cruzada . Una estrategia es volver a muestrear desde el conjunto de datos, con repetición:

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
training_idx = numpy.random.randint(x.shape[0], size=80)
test_idx = numpy.random.randint(x.shape[0], size=20)
training, test = x[training_idx,:], x[test_idx,:]

Finalmente, sklearn contiene varios métodos de validación cruzada (k-fold, leave-n-out, ...). También incluye métodos más avanzados de "muestreo estratificado" que crean una partición de los datos que se equilibra con respecto a algunas características, por ejemplo, para asegurarse de que haya la misma proporción de ejemplos positivos y negativos en el conjunto de entrenamiento y prueba.

Answer 7

Solo una nota. En caso de que desee conjuntos de validación, prueba y AND, puede hacer esto:

from sklearn.cross_validation import train_test_split
X = get_my_X()
y = get_my_y()
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
x_test, x_val, y_test, y_val = train_test_split(x_test, y_test, test_size=0.5)

Estos parámetros darán un 70% de entrenamiento y un 15% cada uno para probar y val set. Espero que esto ayude.

Answer 8

También puede considerar la división estratificada en el conjunto de entrenamiento y prueba. La división iniciada también genera un conjunto de entrenamiento y prueba al azar, pero de tal manera que se conservan las proporciones de clase originales. Esto hace que los conjuntos de entrenamiento y prueba reflejen mejor las propiedades del conjunto de datos original.

import numpy as np
def get_train_test_inds(y,train_proportion=0.7):
''''''Generates indices, making random stratified split into training set and testing sets
with proportions train_proportion and (1-train_proportion) of initial sample.
y is any iterable indicating classes of each observation in the sample.
Initial proportions of classes inside training and
testing sets are preserved (stratified sampling).
''''''
y=np.array(y)
train_inds = np.zeros(len(y),dtype=bool)
test_inds = np.zeros(len(y),dtype=bool)
values = np.unique(y)
for value in values:
value_inds = np.nonzero(y==value)[0]
np.random.shuffle(value_inds)
n = int(train_proportion*len(value_inds))
train_inds[value_inds[:n]]=True
test_inds[value_inds[n:]]=True
return train_inds,test_inds
y = np.array([1,1,2,2,3,3])
train_inds,test_inds = get_train_test_inds(y,train_proportion=0.5)
print y[train_inds]
print y[test_inds]

Este código genera:

[1 2 3]
[1 2 3]