¿Cómo dividir / particionar un conjunto de datos en conjuntos de datos de entrenamiento y prueba para, por ejemplo, validación cruzada?

¿Cuál es una buena manera de dividir una matriz NumPy aleatoriamente en un conjunto de datos de entrenamiento y prueba / validación? Algo similar a las funciones cvpartitiono crossvalinden Matlab.

Si desea dividir el conjunto de datos una vez en dos mitades, puede usar numpy.random.shuffle, o numpy.random.permutationsi necesita realizar un seguimiento de los índices:

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
numpy.random.shuffle(x)
training, test = x[:80,:], x[80:,:]

o

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
indices = numpy.random.permutation(x.shape[0])
training_idx, test_idx = indices[:80], indices[80:]
training, test = x[training_idx,:], x[test_idx,:]

Hay muchas formas de particionar repetidamente el mismo conjunto de datos para la validación cruzada . Una estrategia es volver a muestrear a partir del conjunto de datos, con repetición:

import numpy
# x is your dataset
x = numpy.random.rand(100, 5)
training_idx = numpy.random.randint(x.shape[0], size=80)
test_idx = numpy.random.randint(x.shape[0], size=20)
training, test = x[training_idx,:], x[test_idx,:]

Finalmente, sklearn contiene varios métodos de validación cruzada (k-fold, leave-n-out, ...). También incluye métodos más avanzados de "muestreo estratificado" que crean una partición de los datos que está equilibrada con respecto a algunas características, por ejemplo, para asegurarse de que haya la misma proporción de ejemplos positivos y negativos en el conjunto de entrenamiento y prueba.

Hay otra opción que solo implica usar scikit-learn. Como describe la wiki de scikit , puede usar las siguientes instrucciones:

from sklearn.model_selection import train_test_split

data, labels = np.arange(10).reshape((5, 2)), range(5)

data_train, data_test, labels_train, labels_test = train_test_split(data, labels, test_size=0.20, random_state=42)

De esta manera, puede mantener sincronizadas las etiquetas de los datos que está intentando dividir en entrenamiento y prueba.

Solo una nota. En caso de que desee entrenar, probar y conjuntos de validación, puede hacer esto:

from sklearn.cross_validation import train_test_split

X = get_my_X()
y = get_my_y()
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
x_test, x_val, y_test, y_val = train_test_split(x_test, y_test, test_size=0.5)

Estos parámetros darán un 70% al entrenamiento y un 15% a cada uno de los conjuntos de prueba y val. Espero que esto ayude.

Como el sklearn.cross_validationmódulo quedó obsoleto, puede usar:

import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)

X_trn, X_tst, y_trn, y_tst = train_test_split(X, y, test_size=0.2, random_state=42)

También puede considerar la división estratificada en conjunto de entrenamiento y prueba. La división iniciada también genera conjuntos de entrenamiento y prueba aleatoriamente, pero de tal manera que se conservan las proporciones originales de la clase. Esto hace que los conjuntos de entrenamiento y prueba reflejen mejor las propiedades del conjunto de datos original.

import numpy as np  

def get_train_test_inds(y,train_proportion=0.7):
    '''Generates indices, making random stratified split into training set and testing sets
    with proportions train_proportion and (1-train_proportion) of initial sample.
    y is any iterable indicating classes of each observation in the sample.
    Initial proportions of classes inside training and 
    testing sets are preserved (stratified sampling).
    '''

    y=np.array(y)
    train_inds = np.zeros(len(y),dtype=bool)
    test_inds = np.zeros(len(y),dtype=bool)
    values = np.unique(y)
    for value in values:
        value_inds = np.nonzero(y==value)[0]
        np.random.shuffle(value_inds)
        n = int(train_proportion*len(value_inds))

        train_inds[value_inds[:n]]=True
        test_inds[value_inds[n:]]=True

    return train_inds,test_inds

y = np.array([1,1,2,2,3,3])
train_inds,test_inds = get_train_test_inds(y,train_proportion=0.5)
print y[train_inds]
print y[test_inds]

Este código genera:

[1 2 3]
[1 2 3]

Escribí una función para mi propio proyecto para hacer esto (aunque no usa numpy):

def partition(seq, chunks):
    """Splits the sequence into equal sized chunks and them as a list"""
    result = []
    for i in range(chunks):
        chunk = []
        for element in seq[i:len(seq):chunks]:
            chunk.append(element)
        result.append(chunk)
    return result

Si desea que los fragmentos sean aleatorios, simplemente mezcle la lista antes de pasarla.

Aquí hay un código para dividir los datos en n = 5 pliegues de manera estratificada

% X = data array
% y = Class_label
from sklearn.cross_validation import StratifiedKFold
skf = StratifiedKFold(y, n_folds=5)
for train_index, test_index in skf:
    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]

Gracias pberkes por tu respuesta. Lo modifiqué para evitar (1) el reemplazo mientras se tomaban muestras (2) ocurrieron instancias duplicadas tanto en el entrenamiento como en las pruebas:

training_idx = np.random.choice(X.shape[0], int(np.round(X.shape[0] * 0.8)),replace=False)
training_idx = np.random.permutation(np.arange(X.shape[0]))[:np.round(X.shape[0] * 0.8)]
    test_idx = np.setdiff1d( np.arange(0,X.shape[0]), training_idx)

Después de leer un poco y tener en cuenta las (muchas ...) formas diferentes de dividir los datos para entrenar y probar, ¡decidí cronometrarlo!

Utilicé 4 métodos diferentes (ninguno de ellos está usando la biblioteca sklearn, que estoy seguro dará los mejores resultados, dado que está bien diseñado y probado código):

1. mezclar todo el arreglo de matriz y luego dividir los datos para entrenar y probar
2. mezclar los índices y luego asignarle xey para dividir los datos
3. igual que el método 2, pero de una manera más eficiente para hacerlo
4. usando pandas dataframe para dividir

el método 3 ganó con mucho con el tiempo más corto, después del método 1, y se descubrió que el método 2 y 4 eran realmente ineficientes.

El código para los 4 métodos diferentes que cronometré:

import numpy as np
arr = np.random.rand(100, 3)
X = arr[:,:2]
Y = arr[:,2]
spl = 0.7
N = len(arr)
sample = int(spl*N)

#%% Method 1:  shuffle the whole matrix arr and then split
np.random.shuffle(arr)
x_train, x_test, y_train, y_test = X[:sample,:], X[sample:, :], Y[:sample, ], Y[sample:,]

#%% Method 2: shuffle the indecies and then shuffle and apply to X and Y
train_idx = np.random.choice(N, sample)
Xtrain = X[train_idx]
Ytrain = Y[train_idx]

test_idx = [idx for idx in range(N) if idx not in train_idx]
Xtest = X[test_idx]
Ytest = Y[test_idx]

#%% Method 3: shuffle indicies without a for loop
idx = np.random.permutation(arr.shape[0])  # can also use random.shuffle
train_idx, test_idx = idx[:sample], idx[sample:]
x_train, x_test, y_train, y_test = X[train_idx,:], X[test_idx,:], Y[train_idx,], Y[test_idx,]

#%% Method 4: using pandas dataframe to split
import pandas as pd
df = pd.read_csv(file_path, header=None) # Some csv file (I used some file with 3 columns)

train = df.sample(frac=0.7, random_state=200)
test = df.drop(train.index)

Y para los tiempos, el tiempo mínimo para ejecutar de 3 repeticiones de 1000 bucles es:

• Método 1: 0.35883826200006297 segundos
• Método 2: 1,7157016959999964 segundos
• Método 3: 1.7876616719995582 segundos
• Método 4: 0.07562861499991413 segundos

¡Espero que sea de ayuda!

Es probable que no solo deba dividirse en entrenamiento y prueba, sino también una validación cruzada para asegurarse de que su modelo se generalice. Aquí estoy asumiendo 70% de datos de entrenamiento, 20% de validación y 10% de datos de prueba / retención.

Consulte el np.split :

Si índices_o_secciones es una matriz 1-D de enteros ordenados, las entradas indican en qué parte del eje se divide la matriz. Por ejemplo, [2, 3], para el eje = 0, resultaría en

ario [: 2] ario [2: 3] ario [3:]

t, v, h = np.split(df.sample(frac=1, random_state=1), [int(0.7*len(df)), int(0.9*len(df))]) 

Dividido en prueba de tren y válido

x =np.expand_dims(np.arange(100), -1)


print(x)

indices = np.random.permutation(x.shape[0])

training_idx, test_idx, val_idx = indices[:int(x.shape[0]*.9)], indices[int(x.shape[0]*.9):int(x.shape[0]*.95)],  indices[int(x.shape[0]*.9):int(x.shape[0]*.95)]


training, test, val = x[training_idx,:], x[test_idx,:], x[val_idx,:]

print(training, test, val)