在多输入神经网络中，是否可以使用自学习的StratifiedKFold？

Question

我有一个数据集，可以以python字典或列表的形式传递给多输入神经网络。

示例

#dict
{'input1': X1, 'input2': X2, 'input3': X3}, {'output': Y}
#list
[ X1, X2, X3], y

现在，我想使用K折叠交叉验证来估计我的模型的性能。您认为我可以像在这个单输入示例中那样使用来自sklearn的sklearn吗？

for train, test in kfold.split(X, Y):
  # create model
    model = Sequential()
    model.add(Dense(12, input_dim=8, activation='relu'))
    model.add(Dense(8, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    # Fit the model
    model.fit(X[train], Y[train], epochs=150, batch_size=10, verbose=0)
    # evaluate the model
    scores = model.evaluate(X[test], Y[test], verbose=0)
    print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
    cvscores.append(scores[1] * 100)

否则，最好的办法是什么？

Answer 1

skf.split()返回索引，它只依赖于Y：

for train_index, test_index in skf.split(X, y):
...    print("TRAIN:", train_index, "TEST:", test_index)
...    X_train, X_test = X[train_index], X[test_index]
...    y_train, y_test = y[train_index], y[test_index]

因此，您可以在这里传递任何X数组(甚至第1层的X1转换为数据格式或合成X)。然后你拿着你的

train_index

和

test_index

过滤你所有的输入。

同样，skf()只依赖于您的Y。因此，我们的目标是通过适当的Y和得到指数。

其他方法:将所有您输入的输出合并到一个数据帧中，并为每个层保留列名。在本例中，您有一个“大”X。首先将其拆分为train_index和test_index，然后使用前面保存的列名将其拆分为X1、X2和X3。