源起:
1.我要做交叉验证,需要每个训练集和测试集都保持相同的样本分布比例,直接用sklearn提供的KFold并不能满足这个需求。
2.将生成的交叉验证数据集保存成CSV文件,而不是直接用sklearn训练分类模型。
3.在编码过程中有一的误区需要注意:
这个sklearn官方给出的文档
> import numpy as np
> from sklearn.model_selection import KFold
> X = ["a", "b", "c", "d"]
> kf = KFold(n_splits=2)
> for train, test in kf.split(X):
... print("%s %s" % (train, test))
[2 3] [0 1]
[0 1] [2 3]
我之前犯的一个错误是将train,test理解成原数据集分割成子数据集之后的子数据集索引。而实际上,它就是原始数据集本身的样本索引。
源码:
# -*- coding:utf-8 -*-
# 得到交叉验证数据集,保存成CSV文件
# 输入是一个包含正常恶意标签的完整数据集,在读数据的时候分开保存到datasetBenign,datasetMalicious
# 分别对两个数据集进行KFold,最后合并保存
from sklearn.model_selection import KFold
import csv
def writeInFile(benignKFTrain, benignKFTest, maliciousKFTrain, maliciousKFTest, i, datasetBenign, datasetMalicious):
newTrainFilePath = "E:\\hadoopExperimentResult\\5KFold\\AllDataSetIIR10\\dataset\\ImbalancedAllTraffic-train-%s.csv" % i
newTestFilePath = "E:\\hadoopExperimentResult\\5KFold\\AllDataSetIIR10\\dataset\\IImbalancedAllTraffic-test-%s.csv" % i
newTrainFile = open(newTrainFilePath, "wb")# wb 为防止空行
newTestFile = open(newTestFilePath, "wb")
writerTrain = csv.writer(newTrainFile)
writerTest = csv.writer(newTestFile)
for index in benignKFTrain:
writerTrain.writerow(datasetBenign[index])
for index in benignKFTest:
writerTest.writerow(datasetBenign[index])
for index in maliciousKFTrain:
writerTrain.writerow(datasetMalicious[index])
for index in maliciousKFTest:
writerTest.writerow(datasetMalicious[index])
newTrainFile.close()
newTestFile.close()
def getKFoldDataSet(datasetPath):
# CSV读取文件
# 开始从文件中读取全部的数据集
datasetFile = file(datasetPath, 'rb')
datasetBenign = []
datasetMalicious = []
readerDataset = csv.reader(datasetFile)
for line in readerDataset:
if len(line) > 1:
curLine = []
curLine.append(float(line[0]))
curLine.append(float(line[1]))
curLine.append(float(line[2]))
curLine.append(float(line[3]))
curLine.append(float(line[4]))
curLine.append(float(line[5]))
curLine.append(float(line[6]))
curLine.append(line[7])
if line[7] == "benign":
datasetBenign.append(curLine)
else:
datasetMalicious.append(curLine)
# 交叉验证分割数据集
K = 5
kf = KFold(n_splits=K)
benignKFTrain = []; benignKFTest = []
for train,test in kf.split(datasetBenign):
benignKFTrain.append(train)
benignKFTest.append(test)
maliciousKFTrain=[]; maliciousKFTest=[]
for train,test in kf.split(datasetMalicious):
maliciousKFTrain.append(train)
maliciousKFTest.append(test)
for i in range(K):
print "======================== "+ str(i)+ " ========================"
print benignKFTrain[i], benignKFTest[i]
print maliciousKFTrain[i],maliciousKFTest[i]
writeInFile(benignKFTrain[i], benignKFTest[i], maliciousKFTrain[i], maliciousKFTest[i], i, datasetBenign,
datasetMalicious)
datasetFile.close()
if __name__ == "__main__":
getKFoldDataSet(r"E:\hadoopExperimentResult\5KFold\AllDataSetIIR10\dataset\ImbalancedAllTraffic-10.csv")
以上这篇Python sklearn KFold 生成交叉验证数据集的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件!
如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
暂无“Python sklearn KFold 生成交叉验证数据集的方法”评论...
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新动态
2025年11月08日
2025年11月08日
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]