Keras入门（八）K折交叉验证

在文章Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中，笔者介绍了如何搭建DNN模型来解决IRIS数据集的多分类问题。
本文将在此基础上介绍如何在Keras中实现K折交叉验证。

什么是K折交叉验证？

K折交叉验证是机器学习中的一个专业术语，它指的是将原始数据随机分成K份，每次选择K-1份作为训练集，剩余的1份作为测试集。交叉验证重复K次，取K次准确率的平均值作为最终模型的评价指标。一般取K=10，即10折交叉验证，如下图所示：

用交叉验证的目的是为了得到可靠稳定的模型。K折交叉验证能够有效提高模型的学习能力，类似于增加了训练样本数量，使得学习的模型更加稳健，鲁棒性更强。选择合适的K值能够有效避免过拟合。

Keras实现K折交叉验证

我们仍采用文章Keras入门（一）搭建深度神经网络（DNN）解决多分类问题中的模型，如下：
DNN模型结构图
同时，我们对IRIS数据集采用10折交叉验证，完整的实现代码如下：

# -*- coding: utf-8 -*-
# model_train.py
# Python 3.6.8, TensorFlow 2.3.0, Keras 2.4.3
# 导入模块
import keras as K
import pandas as pd
from sklearn.model_selection import KFold# 读取CSV数据集
# 该函数的传入参数为csv_file_path: csv文件路径
def load_data(sv_file_path):iris = pd.read_csv(sv_file_path)target_var = 'class'  # 目标变量# 数据集的特征features = list(iris.columns)features.remove(target_var)# 目标变量的类别Class = iris[target_var].unique()# 目标变量的类别字典Class_dict = dict(zip(Class, range(len(Class))))# 增加一列target, 将目标变量转化为类别变量iris['target'] = iris[target_var].apply(lambda x: Class_dict[x])return features, 'target', iris# 创建模型
def create_model():init = K.initializers.glorot_uniform(seed=1)simple_adam = K.optimizers.Adam()model = K.models.Sequential()model.add(K.layers.Dense(units=5, input_dim=4, kernel_initializer=init, activation='relu'))model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))model.compile(loss='sparse_categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])return modeldef main():# 1. 读取CSV数据集print("Loading Iris data into memory")n_split = 10features, target, data = load_data("./iris_data.csv")x = data[features]y = data[target]avg_accuracy = 0avg_loss = 0for train_index, test_index in KFold(n_split).split(x):print("test index: ", test_index)x_train, x_test = x.iloc[train_index], x.iloc[test_index]y_train, y_test = y.iloc[train_index], y.iloc[test_index]print("create model and train model")model = create_model()model.fit(x_train, y_train, batch_size=1, epochs=80, verbose=0)print('Model evaluation: ', model.evaluate(x_test, y_test))avg_accuracy += model.evaluate(x_test, y_test)[1]avg_loss += model.evaluate(x_test, y_test)[0]print("K fold average accuracy: {}".format(avg_accuracy / n_split))print("K fold average accuracy: {}".format(avg_loss / n_split))main()