使用train_test_split与手动拆分数据时的结果不同

Question

我有一个熊猫数据框，我想对其进行预测并得到每个特征的均方根误差。 我正在按照手动分割数据集的在线指南，但我认为从sklearn.model_selection使用train_test_split会更方便。 不幸的是，在使用train_test_split手动分割数据后查看rmse值时，我得到的结果不同。

一个（希望）可重复的例子：

import pandas as pd
import numpy as np
from sklearn.neighbors import KNeighborsRegressor
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

np.random.seed(0)
df = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=['feature_1','feature_2','feature_3','feature_4'])
df['target'] = np.random.randint(2,size=100)
df2 = df.copy()

这是一个函数knn_train_test ，它可以手动分割数据，适合模型，进行预测等：

def knn_train_test(train_col, target_col, df):
    knn = KNeighborsRegressor()
    np.random.seed(0)

    # Randomize order of rows in data frame.
    shuffled_index = np.random.permutation(df.index)
    rand_df = df.reindex(shuffled_index)

    # Divide number of rows in half and round.
    last_train_row = int(len(rand_df) / 2)

    # Select the first half and set as training set.
    # Select the second half and set as test set.
    train_df = rand_df.iloc[0:last_train_row]
    test_df = rand_df.iloc[last_train_row:]

    # Fit a KNN model using default k value.
    knn.fit(train_df[[train_col]], train_df[target_col])

    # Make predictions using model.
    predicted_labels = knn.predict(test_df[[train_col]])

    # Calculate and return RMSE.
    mse = mean_squared_error(test_df[target_col], predicted_labels)
    rmse = np.sqrt(mse)
    return rmse

rmse_results = {}
train_cols = df.columns.drop('target')

# For each column (minus `target`), train a model, return RMSE value
# and add to the dictionary `rmse_results`.
for col in train_cols:
    rmse_val = knn_train_test(col, 'target', df)
    rmse_results[col] = rmse_val

# Create a Series object from the dictionary so 
# we can easily view the results, sort, etc
rmse_results_series = pd.Series(rmse_results)
rmse_results_series.sort_values()

#Output
feature_3    0.541110
feature_2    0.548452
feature_4    0.559285
feature_1    0.569912
dtype: float64

现在，这是一个函数knn_train_test2，它使用train_test_split分割数据：

def knn_train_test2(train_col, target_col, df2):

    knn = KNeighborsRegressor()
    np.random.seed(0)

    X_train, X_test, y_train, y_test = train_test_split(df2[[train_col]],df2[[target_col]], test_size=0.5)

    knn.fit(X_train,y_train)

    predictions = knn.predict(X_test)

    mse = mean_squared_error(y_test,predictions)

    rmse = np.sqrt(mse)

    return rmse

rmse_results = {}
train_cols = df2.columns.drop('target')

for col in train_cols:
    rmse_val = knn_train_test2(col, 'target', df2)
    rmse_results[col] = rmse_val


rmse_results_series = pd.Series(rmse_results)
rmse_results_series.sort_values()

# Output
feature_4    0.522303
feature_3    0.556417
feature_1    0.569210
feature_2    0.572713
dtype: float64

为什么我会得到不同的结果？ 我想我总是误解了分裂>训练>测试过程，或者误解/错误指定train_test_split 。 先感谢您

Answer 1

手动拆分数据只是切片，但train_test_split也会随机化切片数据。 尝试修复随机数种子，看看每次使用train_test_split时是否可以获得相同的结果。

Answer 2

这是基本的机器学习性质。 手动拆分数据时，您将拥有不同版本的培训和测试集。 当您使用sklearn功能时，您将获得不同的培训和测试集。 您的模型将根据收到的训练数据进行预测，因此您的最终结果会有所不同。

如果要重现结果，请使用train_test_split通过设置种子值来创建多个训练集。 种子值用于在train_test_split函数中重现相同的结果。 然后在运行你的ml函数时，在那里设置一个种子，因为即使ML函数也开始用随机权重训练。 在具有相同种子的这些数据集上尝试您的模型，您将获得结果。

Answer 3

您的自定义train_test_split实现与scikit-learn的实现不同，这就是您为同一种子获得不同结果的原因。

在这里您可以找到官方实施。 值得注意的第一件事是，scikit-learn在默认情况下进行了10次重新混乱和分裂。 （查看n_splits参数）

只有当您的方法与scitkit-learn方法完全相同时 ，您才能期望对同一种子具有相同的结果。