Re: [問題] 交叉驗證的流程請益

看板DataScience作者ej0cl6 (淡紅色楓葉)時間2年前 (2022/01/28 15:58)推噓1(1推 0噓 2→)

留言3則, 3人參與討論串2/2 (看更多)

應該說你目前的架構不該稱作K-fold validation，比較像是某種bootstrap+ensemble 假設有n種模型架構，K-fold validation是用來比較模型架構以及找出最好的模型架構 : =========================訓練、驗證、測試流程============================ : 首先將資料集 Data 切成 train 跟 test : train 切成 k 塊，以 4 為例， A, B, C, D : k=1, B + C + D 定義 train-train ， A 定義 train-validation : 我有七種模型，你可以想像用不同的 backbone (resnet, mobilenet,...) : 訓練完成我在 A 上可以得到 7 個 AUC 。 : k=2, A + C + D 定義 train-train ， B 定義 train-validation : 我有七種模型，同上 : 訓練完成我在 B 上可以得到 7 個 AUC 。 : k=3, A + B + D 定義 train-train ， C 定義 train-validation : 我有七種模型，同上 : 訓練完成我在 C 上可以得到 7 個 AUC 。 : k=4, A + B + C 定義 train-train ， D 定義 train-validation : 我有七種模型，同上 : 訓練完成我在 D 上可以得到 7 個 AUC 。到這邊目前都沒問題，但是接下來就不正確了正常的K-fold validation會將每個模型在不同k上面的AUC做平均所以你會得到7個平均過後的AUC，分別代表7個不同模型架構根據這7個AUC選最出好的模型架構，再去測在test set上驗證表現以及有沒有overfit 正常的K-fold validation到這邊就結束了，因為你已經找到一個相對穩定的模型架構接下來可以考慮拿選出來的模型架構在7個fold上train好的model進行emsemble然後上線也可以可以考慮用這個模型train在所有data上，然後上線這單一model 或是用這個模型重複整個K-fold validation，只是這次在所有data上，然後emsemble上線 : 以上都跟 test 無關，只在 train 中。 : 最後我會得到 k*(3+3+1) 個模型，我全部在 test 上做驗證， : 可以得到所有模型在測試集上的評估數據。 : 產品端可以將全部的模型都上線，但是伺服器費用高，所以不能全上。 : 需要挑選上線的模型，挑選 N 個模型，由單一表現最高的開始往下挑， : 舉個例子來說明我的挑選方法： : fold-k model_n 代表第 k 個 fold 裡面第 n 個模型 : k = 1,2,3,4 有 4 個 fold : n = 1,2,3,4,5,6,7 我有七個模型架構 : top-1 ensemble : 挑 test 上表現最好的第一個模型， : 假設來自 fold-3 model_1 ，其中 test AUC 0.86 。 : top-2 ensemble : 挑 test 上表現最好的前兩個模型，預測結果兩者取平均， : 假設來自 fold-3 model_1 、 fold-1 model_3 ，其中 test AUC 0.87 : top-3 ensemble : 挑 test 上表現最好的前三個模型，預測結果三者取平均， : 假設來自 fold-3 model_1 、 fold-1 model_3 、 fold-3 model_2 ， : 其中 test AUC 0.88 。 : top-4 ensemble : 挑 test 上表現最好的前四個模型，預測結果四者取平均， : 假設來自 fold-3 model_1 、 fold-1 model_3 、 : fold-3 model_2 、 fold-4 model_1， : 其中 test AUC 0.875 。 : 發現在選到第四個模型綜合結果下降了，所以就挑選前三個模型， : 當作產品的 classifier ，當然預測結果是取平均。這個其實比較像是bootstrap+ensemble 你有很多個模型架構，train在很多sample過後的training set (類似bootstrap) 最後再從中選出比較好的幾個ensemble 所以本質上你直接把test當成是validation set來測model以及如何選model進行ensemble 在不容易overfit的task下的確有可能有比較好的表現，但就不該稱作K-fold validation 順帶一提，在你目前的架構下是沒有實質上的test set的 : ============================================================== : 挑選模型是從所有的 fold 當中訓練的所有模型來挑選。 : 請問這樣做產品會有很嚴重的邏輯錯誤在裡面嗎？ : 有的話在哪邊？ : 還是我應該簡單點，切 train, validation, test 這樣訓練一次， : 不要做 K-fold ，但先前的經驗告訴我 ensemble 這種作法會提昇一個檔次， : 所以我會想往這樣走， : 而且透過不同的模型架構以及 K-fold 作法可以獲得更多的模型。 : 我不知道我的邏輯錯在哪？ : 懇請高手指導，謝謝。簡單說，K-fold是為了找出最好的模型架構，但並不代表這就會給你最好的表現你可以用K-fold validation找出前幾好的模型架構ensemble 也可以用類似你目前的方式，train一大堆model pool直接ensemble 理論上都是可行的不過還是建議你重新看一遍K-fold validation的定義，希望有幫助到你 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.167.231.116 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1643356714.A.D3B.html ※ 編輯: ej0cl6 (118.167.231.116 臺灣), 01/28/2022 15:59:47