MLJ.jl 中的交叉验证和超参数调优

训练模型并在单个测试集上评估，可以得到模型性能的概览，但这种概览有时可能具有误导性。如果数据集较小，或者数据划分碰巧非常“幸运”（或“不幸运”），评估可能无法准确反映模型在新数据上的表现。为了构建更稳定的模型并获得对其泛化能力更可靠的评估，交叉验证等方法被采用。此外，大多数机器学习模型都有需要在训练前设置的超参数；找到这些超参数的最佳组合可以明显影响模型性能。此处介绍如何使用 MLJ.jl 进行交叉验证和超参数调优。

通过交叉验证获得更可靠的性能评估

交叉验证是一种重采样过程，用于在有限数据样本上评估机器学习模型。其主要思想是将训练数据分成多个“折”，然后多次训练和评估模型，每次使用不同的折作为测试集，其余的折作为训练集。这会为你提供多个性能评估，然后可以对这些评估取平均值，以提供对模型效果更稳定、可信的衡量。

最常见的形式是 k 折交叉验证。其工作方式如下：

1. 数据集随机打乱。
2. 数据集被分成 $k$ 个（或“折”）大小大致相等的组。
3. 对于每个独特的折： a. 将该折作为保留集或测试数据集。 b. 将剩余的 $k-1$ 个折作为训练数据集。 c. 在训练集上拟合模型，并在测试集上进行评估。 d. 保留评估分数并丢弃模型。
4. 模型的能力通过对每次迭代的分数取平均值来概括。

此图展示了 K 折交叉验证过程。数据被分成 K 个折，模型被训练和评估 K 次。

在 MLJ.jl 中，交叉验证通过 evaluate! 函数执行，该函数接受模型、特征 X、目标 y、重采样策略以及一个或多个性能衡量指标。

让我们看看实际操作。我们将使用 DecisionTreeClassifier 并使用 5 折交叉验证对其进行评估。

using MLJ
using PrettyPrinting # 用于更美观地打印字典

# 加载模型和数据
DecisionTreeClassifier = @load DecisionTreeClassifier pkg=DecisionTree
X, y = @load_iris;

# 实例化模型
tree_model = DecisionTreeClassifier()

# 定义重采样策略：5 折交叉验证
cv_strategy = CV(nfolds=5, shuffle=true, rng=123)

# 执行评估
# 我们将使用常见的分类指标
eval_results = evaluate(tree_model, X, y,
                        resampling=cv_strategy,
                        measures=[accuracy, multiclass_f1score, multiclass_precision, multiclass_recall],
                        verbosity=0) # verbosity=0 以抑制每折输出

# 显示各折的平均性能
pprint(eval_results.measurement)
# 每折结果也可在 eval_results.per_fold 中查看

运行此代码时，eval_results.measurement 将显示一个指标列表，每个指标都在 5 个折上取了平均值。例如，你可能会看到 [0.92, 0.918, 0.921, 0.92]，这对应于平均准确率、F1 分数、精确率和召回率。查看 eval_results.per_fold 将会得到一个列表的列表，显示每个折的指标分数。相比于单次训练-测试划分，这能更好地了解模型的预期表现。MLJ.jl 支持 CV 之外的多种重采样策略，例如 Holdout（简单的训练-测试划分）和 StratifiedCV（确保每个折中类别比例得以保持，对于不平衡数据集很有用）。

精细调整模型超参数

大多数机器学习算法都有超参数：这些设置不是从数据本身学习的，而是在训练开始前由使用者选择的。例如，决策树具有 max_depth（树的最大深度）或 min_samples_split（拆分内部节点所需的最小样本数）等超参数。超参数的选择可以明显影响模型的性能。超参数调优（或优化）是找到超参数值组合的过程，该组合能为你的具体问题带来最佳性能。

调优策略

超参数调优存在多种策略。一种常见且直接的方法是网格搜索。在网格搜索中，你定义一个由可能超参数值组成的“网格”。算法随后会评估该网格中每个值组合下的模型，通常为每个组合使用交叉验证。选择产生最佳平均交叉验证分数的组合。

超参数调优的网格搜索图示。针对超参数的每个组合，都使用交叉验证进行评估，以确定最佳集合。

MLJ.jl 提供 TunedModel 包装器以自动化超参数调优。你需要指定基础模型、调优策略（如 Grid）、要查看的超参数范围、评估的重采样策略以及要优化的性能衡量指标。

让我们调整 DecisionTreeClassifier 的 max_depth 和 min_samples_leaf 超参数。

using MLJ

DecisionTreeClassifier = @load DecisionTreeClassifier pkg=DecisionTree
X, y = @load_iris;

# 实例化基础模型
tree_model = DecisionTreeClassifier()

# 定义超参数范围
# 对于 max_depth，我们将尝试值 2, 3, 4, 5
r_max_depth = range(tree_model, :max_depth, lower=2, upper=5, scale=:linear)
# 对于 min_samples_leaf，我们将尝试值 1, 2, 5
r_min_leaf = range(tree_model, :min_samples_leaf, values=[1, 2, 5])

# 创建 TunedModel
tuned_tree = TunedModel(model=tree_model,
                        tuning=Grid(resolution=10), # Grid 的分辨率，或指定明确值
                        resampling=CV(nfolds=3, rng=456), # 用于内部调优循环的交叉验证
                        ranges=[r_max_depth, r_min_leaf],
                        measure=accuracy, # 要优化的指标
                        acceleration=CPUThreads()) # 如果可用，使用多线程

# 将 TunedModel 封装到 machine 中并进行拟合
mach_tuned_tree = machine(tuned_tree, X, y)
fit!(mach_tuned_tree, verbosity=1) # verbosity=1 显示一些调优进度

# 获取最佳模型及其超参数
best_model_params = fitted_params(mach_tuned_tree)
println("\n最佳模型超参数:")
pprint(best_model_params.best_model)

# 你也可以检查调优过程的完整报告
report_tuned = report(mach_tuned_tree)
# report_tuned.best_measurement 将给出最佳模型的准确率
# report_tuned.plotting 包含对可视化调优结果有用的数据

# 最佳模型可以直接用于预测
# 或者提取实际拟合的模型:
# fitted_model = fitted_params(mach_tuned_tree).best_fitted_model

在此示例中：

• 我们定义 r_max_depth 以将 max_depth 的整数值从 2 检查到 5。MLJ 中的 range 函数相当灵活。对于数值型超参数，你可以指定 lower 和 upper 边界以及 scale（例如，:linear、:log）。对于具有离散、无序值的超参数，你可以传递一个 values 向量。
• TunedModel 配置了 Grid 搜索。Grid 的 resolution 参数表示如果没有明确给出 values，则沿每个数值范围采样多少点。
• 内部使用 3 折交叉验证（CV(nfolds=3)）来评估每个超参数组合。
• measure 设置为 accuracy，意味着网格搜索将尝试确定最大化准确率的超参数。
• fit!(mach_tuned_tree) 执行调优。
• fitted_params(mach_tuned_tree).best_model 为你提供一个 DecisionTreeClassifier 实例，其中包含已确定的最佳超参数。
• report(mach_tuned_tree) 提供详细报告，包含每个超参数组合的性能。

MLJ.jl 中也可用其他调优策略，如 RandomSearch，当超参数空间很大时，它可能比 Grid 搜索更高效。

组织调优和评估的工作流程

一个常见问题是使用整个数据集（或对整个数据集进行交叉验证）来调优超参数，然后报告这个已调优模型的性能。这种性能评估可能过于乐观，因为调优过程本身通过交叉验证“看到”了所有数据。

一种更直接的方法涉及对数据进行初始划分：

1. 初始数据划分：将数据划分为较大的训练集和一个较小的、最终保留的测试集。测试集应单独保留，仅在最后使用一次。
2. 在训练集上进行超参数调优：仅在训练集上进行交叉验证和超参数调优（例如，使用 TunedModel）。这将确定最佳超参数。
3. 最终模型训练：在整个训练集上训练所选模型类型（使用步骤 2 中确定的最佳超参数）。
4. 最终评估：在保留测试集上评估这个最终模型。这提供了对已调优模型在新数据上性能的无偏评估。

MLJ.jl 的 machine 抽象自然地支持这一点。你将在训练部分（X_train, y_train）上拟合 TunedModel machine（步骤 2）。这个 machine 的 fitted_params 会为你提供 best_model（这是一个带有最佳超参数的模型规范）。然后，你使用此 best_model 规范创建一个新的标准 machine，并在完整的 X_train, y_train 上拟合它（步骤 3），最后在 X_test, y_test 上进行预测和评估（步骤 4）。

通过认真应用交叉验证进行评估和超参数调优，你可以构建出不仅性能优异，而且其性能评估也值得信任的模型。这些方法是构建 Julia 或任何其他语言中有效机器学习解决方案的基础。