R 中奇怪的 svm 行為（e1071）

Question

我在 R（第一個示例）和 Python（第二個示例）中使用 SVM 為二進制分類任務運行了以下代碼。

給定隨機生成的數據(X)和響應(Y) ，此代碼執行 1000 次離開組交叉驗證。 因此， Y每個條目都是跨 CV 迭代的預測平均值。

曲線下的計算面積應為 ~0.5，因為X和Y是完全隨機的。 然而，這並不是我們所看到的。 曲線下面積經常顯着高於 0.5。 X的行數非常少，這顯然會導致問題。

知道這里會發生什么嗎？ 我知道我可以增加X的行數或減少列數來解決問題，但我正在尋找其他問題。

Y=as.factor(rep(c(1,2), times=14))
X=matrix(runif(length(Y)*100), nrow=length(Y))

library(e1071)
library(pROC)

colnames(X)=1:ncol(X)
iter=1000
ansMat=matrix(NA,length(Y),iter)
for(i in seq(iter)){    
    #get train

    train=sample(seq(length(Y)),0.5*length(Y))
    if(min(table(Y[train]))==0)
    next

    #test from train
    test=seq(length(Y))[-train]

    #train model
    XX=X[train,]
    YY=Y[train]
    mod=svm(XX,YY,probability=FALSE)
    XXX=X[test,]
    predVec=predict(mod,XXX)
    RFans=attr(predVec,'decision.values')
    ansMat[test,i]=as.numeric(predVec)
}

ans=rowMeans(ansMat,na.rm=TRUE)

r=roc(Y,ans)$auc
print(r)

同樣，當我在 Python 中實現同樣的事情時，我得到了類似的結果。

Y = np.array([1, 2]*14)
X = np.random.uniform(size=[len(Y), 100])
n_iter = 1000
ansMat = np.full((len(Y), n_iter), np.nan)
for i in range(n_iter):
    # Get train/test index
    train = np.random.choice(range(len(Y)), size=int(0.5*len(Y)), replace=False, p=None)
    if len(np.unique(Y)) == 1:
        continue
    test = np.array([i for i in range(len(Y)) if i not in train])
    # train model
    mod = SVC(probability=False)
    mod.fit(X=X[train, :], y=Y[train])
    # predict and collect answer
    ansMat[test, i] = mod.predict(X[test, :])
ans = np.nanmean(ansMat, axis=1)
fpr, tpr, thresholds = roc_curve(Y, ans, pos_label=1)
print(auc(fpr, tpr))`

Answer 1

您應該將交叉驗證的每次迭代視為一個獨立的實驗，您使用訓練集進行訓練，使用測試集進行測試，然后計算模型技能分數（在本例中為 AUC）。

所以你實際上應該做的是計算每次 CV 迭代的 AUC。 然后取 AUC 的平均值。