理解skorch训练中评分差异:上采样与交叉验证的陷阱
2025-06-04 07:18:12作者:滑思眉Philip
在机器学习模型训练过程中,我们经常会遇到训练集评分与验证集评分不一致的情况。本文将以skorch框架训练神经网络分类器为例,深入分析一个典型问题:为什么训练日志中显示的F1分数会比后续评估高出约0.1,而ROC AUC分数却保持相对一致。
问题现象
当使用skorch训练神经网络分类器时,开发者观察到以下现象:
- 训练日志中显示的F1分数(包括训练和验证集)比后续独立评估高出约0.1
- ROC AUC分数在日志和后续评估中表现一致
- 数据集存在严重的类别不平衡问题
根本原因分析
经过深入排查,发现问题根源在于上采样技术与交叉验证的结合使用。具体机制如下:
-
上采样操作:为了处理类别不平衡问题,开发者对少数类样本进行了上采样,这导致训练数据量增加。
-
交叉验证的数据泄露:当上采样后的数据被送入交叉验证流程时,同一个样本的多个副本可能同时出现在训练集和验证集中。这是因为:
- 上采样通常通过复制少数类样本来实现
- 交叉验证会随机划分数据
- 原始样本及其副本可能被分配到不同的子集
-
评分差异的解释:
- F1分数对数据分布敏感,当验证集中包含训练集样本的副本时,模型表现会被高估
- ROC AUC对数据分布相对不敏感,因此受影响较小
技术细节
上采样与交叉验证的交互
# 典型的上采样操作(伪代码)
from sklearn.utils import resample
minority_class = df[df['target']==1]
majority_class = df[df['target']==0]
# 上采样少数类
minority_upsampled = resample(minority_class,
replace=True, # 允许重复采样
n_samples=len(majority_class))
# 组合数据集
upsampled_df = pd.concat([majority_class, minority_upsampled])
当这样的数据集进入交叉验证流程时,同一个样本的多个副本可能出现在不同子集,导致数据泄露。
评分指标的特性差异
-
F1分数:精确率和召回率的调和平均,对数据分布敏感
- 公式:F1 = 2*(Precision*Recall)/(Precision+Recall)
- 当验证集包含训练集样本时,模型表现会被高估
-
ROC AUC:衡量模型区分正负样本的能力,对数据分布相对稳健
- 计算的是排序质量,不受绝对分数影响
- 因此受数据泄露影响较小
解决方案
针对这一问题,有以下几种解决方案:
- 正确的上采样流程:
- 先划分训练测试集,再对训练集进行上采样
- 确保测试集保持原始分布
# 正确流程示例
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 仅在训练集上上采样
train_df = pd.concat([X_train, y_train], axis=1)
minority = train_df[train_df['target']==1]
majority = train_df[train_df['target']==0]
minority_upsampled = resample(minority, replace=True, n_samples=len(majority))
upsampled_train = pd.concat([majority, minority_upsampled])
X_train_up = upsampled_train.drop('target', axis=1)
y_train_up = upsampled_train['target']
- 使用分层抽样:
- 在交叉验证中使用分层抽样保持类别比例
- 避免需要上采样
from sklearn.model_selection import StratifiedKFold
cv = StratifiedKFold(n_splits=5)
- 替代不平衡处理方法:
- 类别权重:在损失函数中为不同类别分配不同权重
- 合成采样技术:如SMOTE,生成新的合成样本而非简单复制
# 在skorch中使用类别权重
class_weights = compute_class_weight('balanced', classes=[0,1], y=y_train)
net = NeuralNetClassifier(..., criterion__weight=torch.FloatTensor(class_weights))
最佳实践建议
- 数据预处理顺序:始终先划分数据集再进行任何采样操作
- 验证策略选择:对于上采样数据,考虑使用重复的保留验证而非交叉验证
- 监控多个指标:同时跟踪F1、AUC、精确率、召回率等多个指标
- 保持测试集纯净:测试集应始终反映真实数据分布,不做任何采样处理
总结
在skorch或其他机器学习框架中处理不平衡数据时,上采样技术与交叉验证的结合使用可能导致验证分数虚高。这一问题特别在F1分数等对数据分布敏感的指标上表现明显。开发者应当注意数据预处理的正确顺序,考虑替代的不平衡处理方法,并采用适当的验证策略,才能获得可靠的模型性能评估。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp课程视频测验中的Tab键导航问题解析2 freeCodeCamp音乐播放器项目中的函数调用问题解析3 freeCodeCamp论坛排行榜项目中的错误日志规范要求4 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析5 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析6 freeCodeCamp全栈开发课程中React实验项目的分类修正7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511