五折交叉验证/K折交叉验证， python代码到底怎么写

五折交叉验证： 把数据平均分成5等份，每次实验拿一份做测试，其余用做训练。实验5次求平均值。如上图，第一次实验拿第一份做测试集，其余作为训练集。第二次实验拿第二份做测试集，其余做训练集。依此类推~

但是，道理都挺简单的，但是代码我就不会写，比如我怎么把数据平均分成5份？我怎么保证每次实验的时候，数据都是这么划分的？本来一般的训练时，把数据按6：2：2分成训练集、验证集和测试集，在训练集上训练图像，验证集上保存最佳模型，测试集用来最后的测试。现在交叉验证没有验证集了，怎么保存模型？以下为大家一一解答。

1.把数据平均分成K等份

使用KFold类。
class sklearn.model_selection.KFold(n_splits=5, *, shuffle=False, random_state=None) sklearn提供的这个函数就是用来做K折交叉验证的。 提供训练集/测试集索引以分割数据。将数据集拆分为k折（默认情况下不打乱数据。

参数介绍

• n_splits：int, 默认为5。表示拆分成5折
• shuffle：bool, 默认为False。切分数据集之前是否对数据进行洗牌。True洗牌，False不洗牌。
• random_state：int, 默认为None。当shuffle为 True 时，如果random_state为None，则每次运行代码，获得的数据切分都不一样，random_state指定的时候，则每次运行代码，都能获得同样的切分数据，保证实验可重复。random_state可按自己喜好设定成整数，如random_state=42较为常用。当设定好后，就不能再更改。

使用KFold类需要先初始化，然后再调用它的方法实现数据划分。它的两个方法为：

• get_n_splits(X=None, y=None, groups=None)

返回交叉验证器中的拆分迭代次数

• split(X, y=None, groups=None)

生成索引，将数据拆分为训练集和测试集。
X: 数组，形状为：(n_samples, n_features)
其中n_samples是样本数，n_features是特征数。
y: 数组，形状为(n_samples,), default=None。可要可不要
return：train和test的索引，注意返回的是每个集合的索引，而不是数据

举例1：设置shuffle=False，每次运行结果都相同

from sklearn.model_selection import KFold
import numpy as np
X = np.arange(24).reshape(12,2)
y = np.random.choice([1,2],12,p=[0.4,0.6])
kf = KFold(n_splits=5,shuffle=False)  # 初始化KFold
for train_index , test_index in kf.split(X):  # 调用split方法切分数据
    print('train_index:%s , test_index: %s ' %(train_index,test_index))
复制代码

结果：5折数据的索引

train_index:[ 3  4  5  6  7  8  9 10 11] , test_index: [0 1 2] 
train_index:[ 0  1  2  6  7  8  9 10 11] , test_index: [3 4 5] 
train_index:[ 0  1  2  3  4  5  8  9 10 11] , test_index: [6 7] 
train_index:[ 0  1  2  3  4  5  6  7 10 11] , test_index: [8 9] 
train_index:[0 1 2 3 4 5 6 7 8 9] , test_index: [10 11] 
复制代码

通过索引去获取数据和对应的标签可用：

fold1_train_data, fold1_train_label = X[train_index], y[train_index]
复制代码

举例2：设置shuffle=True，每次运行结果都不相同

举例3：设置shuffle=True和random_state=整数，每次运行结果相同

因此，实际使用的时候建议采用案例3这种方式，即可保证实验可重复，有增加了数据的随机性。

举例4： 真实案例数据划分

我有一些nii.gz的三维数据用来做分割，图像和label分别放在不同的文件夹。如：

└── 根目录
    └── image
    │       ├── 1.nii.gz
    │       │── 2.nii.gz
    │       └── 3.nii.gz
    │   
      ── label
    │       ├── 1.nii.gz
    │       │── 2.nii.gz
    │       └── 3.nii.gz   
复制代码

 images1 = sorted(glob.glob(os.path.join(data_root, 'ImagePatch', 'l*.nii.gz')))
 labels1 = sorted(glob.glob(os.path.join(data_root, 'Mask01Patch', 'l*.nii.gz')))
 images2 = sorted(glob.glob(os.path.join(data_root, 'ImagePatch', 'r*.nii.gz')))
 labels2 = sorted(glob.glob(os.path.join(data_root, 'Mask01Patch', 'r*.nii.gz')))
 data_dicts1 = [{'image': image_name, 'label': label_name}
                   for image_name, label_name in zip(images1, labels1)]
 data_dicts2 = [{'image': image_name, 'label': label_name}
                   for image_name, label_name in zip(images2, labels2)]
 all_files = data_dicts1 + data_dicts2
 # 把image和label创建成字典，统一放在列表里
复制代码

all_files是一个包含所有数据的列表，但列表里的每一个数据又是一个字典，分别当image和label的数据地址。
我们对all_files的数据进行五折交叉验证：

    floder = KFold(n_splits=5, random_state=42, shuffle=True)
    train_files = []   # 存放5折的训练集划分
    test_files = []     # # 存放5折的测试集集划分
    for k, (Trindex, Tsindex) in enumerate(floder.split(all_files)):
        train_files.append(np.array(all_files)[Trindex].tolist())
        test_files.append(np.array(all_files)[Tsindex].tolist())

    # 把划分写入csv,检验每次是否相同
    df = pd.DataFrame(data=train_files, index=['0', '1', '2', '3', '4'])
    df.to_csv('./data/Kfold/train_patch.csv')
    df1 = pd.DataFrame(data=test_files, index=['0', '1', '2', '3', '4'])
    df1.to_csv('./data/Kfold/test_patch.csv')
复制代码

我们把数据集的划分保存到csv里面，以防止代码改动丢失了原本的划分方法。

数据集划分好了，就可以进行训练和测试了。每一次拿划分好的一折数据就行。

    # 五折分开train, 每次拿一折train 和 test
    train(train_files[0], test_files[0])
    test(test_files[0])
复制代码

在train和test方法里面，肯定要写好对应的dataloder, 因为我们刚只是把数据的名字进行了划分，并没有加载数据集。

通常的做法里，会循环5次，运行一次代码，把五折的结果都做出来。但是我们这种写法的好处在于，你想训练第几折，就把索引值改一下就是，不需要一下子全部训练完。只要你不动代码，你一年后再训练，数据集的划分都不会变。变了也不怕，我们把划分已经保存成csv了。

当然，这只是一种写法，如果有更好的方案，欢迎留言探讨~~

2.没有验证集了，怎么保存最佳模型

这是我之前一直好奇的问题。因为，如果不做交叉验证，那么我会根据测试集上的指标保存最佳模型。比如以下代码是在验证集上完成的。

if metric > best_metric:
     best_metric = metric
     best_metric_epoch = epoch + 1
     save_dir = 'checkpoints/checkpoint_04264/'
     if not os.path.exists(save_dir):
         os.makedirs(save_dir)
     save_path = save_dir + str(epoch + 1) + "best_metric_model.pth"
     torch.save(model.state_dict(), save_path)
     print('saved new best metric model')
复制代码

但是，现在，没有验证集了，我是根据训练集上的指标保存模型呢，还是根据测试集上的指标？这个问题，没有统一答案，两者做法都有。正因为没有统一答案，那我们可以选择对自己最有利的答案啊😜。比如，写论文的时候，根据测试集上的结果保存模型，那肯定得到的结果更好啊。

而且，还有一个小tips, 用交叉验证的得到的结果通常比按6:2:2划分训练集验证集测试集上的结果要好。想想是为什么😉

作者：zh智慧
链接：https://juejin.cn/post/6956209296564584462
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。