首页
/ 理解skorch训练中评分差异:上采样与交叉验证的陷阱

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:

  1. 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
  2. ROC AUC分数在日志和后续评估中表现一致
  3. 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:

  1. 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。

  2. 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
  3. 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:

  1. 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']
  1. 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)
  1. 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

  1. 数据预处理顺序:始终先划分数据集再进行任何采样操作
  2. 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
  3. 监控多个指标:同时跟踪F1、AUC、精确率、召回率等多个指标
  4. 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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
RuoYi-Vue3RuoYi-Vue3
🎉 (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
866
513
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
openHiTLSopenHiTLS
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
261
302
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
CangjieCommunityCangjieCommunity
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
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K