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脚本之家。
继续阅读与本文标签相同的文章
上一篇 :
一个老程序员的忠告
下一篇 :
什么是scratch?
-
【2019云栖大会】这一场,我们好好聊聊5G和边缘计算
2026-05-19栏目: 教程
-
【面小易-面经11】阿里巴巴Java研发工程师5面经验
2026-05-19栏目: 教程
-
开源 OCR 工具 tesseract v4.1.0 的 Docker 镜像制作与使用
2026-05-19栏目: 教程
-
容器的进程与namespace、rootfs
2026-05-19栏目: 教程
-
阿里云云存储网关预付费购买指南
2026-05-19栏目: 教程
