用于多类对象检测的分层 K 折？

Question

更新

我上传了一个虚拟数据集，链接在这里。 df.head() ：

它总共有4 个类和df.object.value_counts() ：

human    23
car      13
cat       5
dog       3

---

我想在多类对象检测数据集上正确地进行K-Fold验证拆分。

初始方法

为了实现正确的 k 折验证拆分，我考虑了object counts和bounding box的数量。 据我了解， K-fold拆分策略主要取决于数据集（元信息）。 但是现在有了这些数据集，我已经尝试了如下：

skf = StratifiedKFold(n_splits=3, shuffle=True, random_state=101)
df_folds = main_df[['image_id']].copy()

df_folds.loc[:, 'bbox_count'] = 1
df_folds = df_folds.groupby('image_id').count()
df_folds.loc[:, 'object_count'] = main_df.groupby('image_id')['object'].nunique()

df_folds.loc[:, 'stratify_group'] = np.char.add(
    df_folds['object_count'].values.astype(str),
    df_folds['bbox_count'].apply(lambda x: f'_{x // 15}').values.astype(str)
)

df_folds.loc[:, 'fold'] = 0
for fold_number, (train_index, val_index) in enumerate(skf.split(X=df_folds.index, y=df_folds['stratify_group'])):
    df_folds.loc[df_folds.iloc[val_index].index, 'fold'] = fold_number

拆分后，我检查了它是否正常工作。 到目前为止似乎还可以。

所有的折叠都包含分层的k-fold样本， len(df_folds[df_folds['fold'] == fold_number].index)并且彼此没有交集， set(A).intersection(B)其中A和B是索引值 ( image_id ) 的两倍。 但问题似乎是：

Fold 0 has total: 18 + 2 + 3 = 23 bbox
Fold 1 has total: 2 + 11 = 13 bbox
Fold 2 has total: 5 + 3 = 8 bbox

忧虑

但是，我无法确定这是否是此类任务的正确方法。 我想要一些建议。 上面的方法可以吗？ 或任何问题？ 或者有一些更好的方法！ 任何类型的建议将不胜感激。 谢谢。

Answer 1

在创建交叉验证拆分时，我们关心的是创建折叠，这些折叠对数据中遇到的各种“案例”具有良好的分布。

在您的情况下，您决定根据汽车的数量和边界框的数量进行折叠，这是一个不错但有限的选择。 因此，如果您可以使用数据/元数据识别特定情况，则可以尝试使用它创建更智能的折叠。

最明显的选择是平衡折叠中的对象类型（类），但您可以更进一步。

这是主要思想，假设您的图像主要在法国遇到汽车，而其他汽车主要在美国遇到，它可以用来创建良好的折叠，每个折叠中都有平衡数量的法国和美国汽车。 天气条件等也可以这样做。因此，每个折叠都将包含可供学习的代表性数据，以便您的网络不会对您的任务产生偏见。 因此，您的模型将对数据中此类潜在的现实生活变化更加稳健。

那么，您能否在交叉验证策略中添加一些元数据以创建更好的简历？ 如果不是这种情况，您能否使用数据集的 x、y、w、h 列获取有关潜在极端情况的信息？

然后，您应该尝试在样本方面进行平衡的折叠，以便在相同的样本量上评估您的分数，这将减少方差并在最后提供更好的评​​估。

Answer 2

您可以直接使用 StratifiedKFold() 或 StratifiedShuffleSplit() 使用基于某些分类列的分层抽样来拆分数据集。

虚拟数据：

import pandas as pd
import numpy as np

np.random.seed(43)
df = pd.DataFrame({'ID': (1,1,2,2,3,3),
               'Object': ('bus', 'car', 'bus', 'bus', 'bus', 'car'),
               'X' : np.random.randint(0, 10, 6),
               'Y' : np.random.randn(6)

})


df

使用 StratifiedKFold()

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=2)

for train_index, test_index in skf.split(df, df["Object"]):
        strat_train_set_1 = df.loc[test_index]
        strat_test_set_1 = df.loc[test_index]

print('train_set :', strat_train_set_1, '\n' , 'test_set :', strat_test_set_1)

同样，如果你选择使用 StratifiedShuffleSplit()，你可以有

from sklearn.model_selection import StratifiedShuffleSplit

sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
# n_splits = Number of re-shuffling & splitting iterations.

for train_index, test_index in sss.split(df, df["Object"]):
 # split(X, y[, groups]) Generates indices to split data into training and test set.

        strat_train_set = df.loc[train_index]
        strat_test_set = df.loc[test_index]

print('train_set :', strat_train_set, '\n' , 'test_set :', strat_test_set)

Answer 3

我会简单地使用KFold的 scikit-learn 的KFold方法来做到这一点

from numpy import array
from sklearn.model_selection import KFold
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6])
kfold = KFold(3, True, 1)
for train, test in kfold.split(data):
    print('train: %s, test: %s' % (data[train], data[test]))

请看看这是否有帮助