使用Sklearn进行群组/群集K-Fold CV

Question

我需要在某些模型上进行K-fold CV，但我需要确保验证（测试）数据集按群组和t年聚集在一起。 GroupKFold很接近，但仍然会将验证集拆分（见第二次折叠）。

例如，如果我有一组2000年至2008年的数据，我想将K-fold分成3组。 适当的集合将是：验证：2000-2002，培训：2003-2008; V：2003-2005，T：2000-2002和2006-2008; 和V：2006-2008，T：2000-2005）。

有没有办法使用K-Fold CV对数据进行分组和聚类，其中验证集聚集了t年？

from sklearn.model_selection import GroupKFold

X = [0.1, 0.2, 2.2, 2.4, 2.3, 4.55, 5.8, 8.8, 9, 10, 0.1, 0.2, 2.2]
y = ["a", "b", "b", "b", "c", "c", "c", "d", "d", "d", "a", "b", "b"]
groups = [1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4]

gkf = GroupKFold(n_splits=2)
for train_index, test_index in gkf.split(X, y, groups=groups):
    print("Train:", train_index, "Validation:",test_index)

输出：

Train: [ 0  1  2  3  4  5 10 11 12] Validation: [6 7 8 9]
Train: [3 4 5 6 7 8 9] Validation: [ 0  1  2 10 11 12]
Train: [ 0  1  2  6  7  8  9 10 11 12] Validation: [3 4 5]

期望输出（假设每组2年）：

Train: [ 7 8 9 10 11 12 ] Validation: [0 1 2 3 4 5 6]
Train: [0 1 2 10 11 12 ] Validation: [ 3 4 5 6 7 8 9 ]
Train: [ 0  1  2  3 4 5 ] Validation: [6 7 8 9 10 11 12]

虽然，测试和训练子集不是连续的，可以选择更多年份进行分组。

Answer 1

我希望我能正确理解你。

来自scikits model_selection的LeaveOneGroupOut方法可能会有所帮助：

假设您将组标签0分配给2000-2002中的所有数据点，将标签1分配给2003年和2005年之间的所有数据点，将标签2分配给2006-2008中的数据。 然后，您可以使用以下方法创建训练和测试拆分，其中三个测试拆分是从三个组中的一个创建的：

from sklearn.model_selection import LeaveOneGroupOut
import numpy as np
groups=[1,1,1,1,2,2,2,2,2,2,3,3,3,3,3,3,3,3]
X=np.random.random(len(groups))
y=np.random.randint(0,4,len(groups))

logo = LeaveOneGroupOut()
print("n_splits=", logo.get_n_splits(X,y,groups))
for train_index, test_index in logo.split(X, y, groups):
    print("train_idx:", train_index, "test_idx:", test_index)

输出：

n_splits= 3
train_idx: [ 4  5  6  7  8  9 10 11 12 13 14 15 16 17] test_idx: [0 1 2 3]
train_idx: [ 0  1  2  3 10 11 12 13 14 15 16 17] test_idx: [4 5 6 7 8 9]
train_idx: [0 1 2 3 4 5 6 7 8 9] test_idx: [10 11 12 13 14 15 16 17]

---

编辑

我想我现在终于理解了你想要的东西。 对不起，我花了这么长时间。

我不认为你想要的分割方法已经在sklearn中实现了。 但我们可以轻松扩展BaseCrossValidator方法。

import numpy as np
from sklearn.model_selection import BaseCrossValidator
from sklearn.utils.validation import check_array

class GroupOfGroups(BaseCrossValidator):
    def __init__(self, group_of_groups):
        """
        :param group_of_groups: list with length n_splits. Each entry in the list is a list with group ids from
 set(groups). In each of the n_splits splits, the groups given in the current group_of_groups sublist are used 
for validation.
        """
        self.group_of_groups = group_of_groups

    def get_n_splits(self, X=None, y=None, groups=None):
        return len(self.group_of_groups)

    def _iter_test_masks(self, X=None, y=None, groups=None):
        if groups is None:
            raise ValueError("The 'groups' parameter should not be None.")
        groups=check_array(groups, copy=True, ensure_2d=False, dtype=None)
        for g in self.group_of_groups:
            test_index = np.zeros(len(groups), dtype=np.bool)
            for g_id in g:
                test_index[groups == g_id] = True
            yield test_index

用法很简单。 和以前一样，我们定义X,y和groups 。 另外，我们定义了一个列表（组的组），它们定义了哪些组应该在哪个测试折叠中一起使用。 因此g_of_g=[[1,2],[2,3],[3,4]]意味着第1组和第2组在第一次折叠中用作测试集，而其余组3和4用于训练。 在折叠2中，来自组2和3的数据用作测试集等。

我对命名为“GroupOfGroups”感到不满意，所以也许你会找到更好的东西。

现在我们可以测试这个交叉验证器：

X = [0.1, 0.2, 2.2, 2.4, 2.3, 4.55, 5.8, 8.8, 9, 10, 0.1, 0.2, 2.2]
y = ["a", "b", "b", "b", "c", "c", "c", "d", "d", "d", "a", "b", "b"]
groups = [1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4]
g_of_g = [[1,2],[2,3],[3,4]]
gg = GroupOfGroups(g_of_g)
print("n_splits=", gg.get_n_splits(X,y,groups))
for train_index, test_index in gg.split(X, y, groups):
    print("train_idx:", train_index, "test_idx:", test_index)

输出：

n_splits= 3
train_idx: [ 6  7  8  9 10 11 12] test_idx: [0 1 2 3 4 5]
train_idx: [ 0  1  2 10 11 12] test_idx: [3 4 5 6 7 8 9]
train_idx: [0 1 2 3 4 5] test_idx: [ 6  7  8  9 10 11 12]

请记住，我没有包含大量支票，也没有进行彻底的测试。 因此请仔细核实这对您有用。