用K-折叠交叉验证将数据标准化

Question

我使用的是StratifiedKFold，所以我的代码如下所示

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]        
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)
        scores.append(roc_auc_score(y_valid, y_pred_valid))
    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))
folds = StratifiedKFold(10,shuffle=True,random_state=0)
lr = LogisticRegression(class_weight='balanced',penalty='l1',C=0.1,solver='liblinear')
train_model(X_train,y_train,X_test,repeted_folds,lr)

现在，在训练模型之前，我想对数据进行标准化，那么哪种方法是正确的？

1)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

在调用train_model函数之前执行此操作

2)

像这样做标准化内部功能

def train_model(X,y,X_test,folds,model):
    scores=[]
    for fold_n, (train_index, valid_index) in enumerate(folds.split(X, y)):
        X_train,X_valid = X[train_index],X[valid_index]
        y_train,y_valid = y[train_index],y[valid_index]
        scaler = StandardScaler()
        X_train = scaler.fit_transform(X_train)
        X_vaid = scaler.transform(X_valid)
        X_test = scaler.transform(X_test)
        model.fit(X_train,y_train)
        y_pred_valid = model.predict(X_valid).reshape(-1,)

        scores.append(roc_auc_score(y_valid, y_pred_valid))

    print('CV mean score: {0:.4f}, std: {1:.4f}.'.format(np.mean(scores), np.std(scores)))

根据我在第二个选项中的知识，我没有泄漏data.so，如果我不使用管道，那么哪种方式是正确的?如果我想使用交叉验证，那么如何使用管道呢？

Answer 1

实际上，第二个选项更好，因为定标器没有看到X_valid的值来缩放X_train。

现在，如果要使用管道，则可以：

from sklearn.pipeline import make_pipeline

def train_model(X,y,X_test,folds,model):
    pipeline = make_pipeline(StandardScaler(), model)
    ...

然后使用pipeline而不是model。在每次fit或predict调用时，它都会自动标准化手头的数据。

请注意，您还可以使用得分函数，使用参数scoring='roc_auc'。

Answer 2

何时标准化您的数据可能是一个更适合交叉验证的问题。

国际海事组织，如果你的数据很大，那么它可能并不重要太多(如果你使用k-折叠，这可能不是这样的情况)，但既然你可以，最好是在交叉验证(k-折叠)，或选项2。

此外，有关交叉验证中过度拟合的更多信息，请参见这。