最近有一個機器學習任務，是一個簡單的二元分類模型， 但是有一個問題想請教大家， 我想用交叉驗證 K-fold 的方法來驗證並且選擇模型， 但我的訓練、驗證、流程被質疑學理不通， 別人的論文不會這樣做，我不知道產品能不能這樣做。 我覺得我的作法沒有問題，但又有點害怕真的我腦袋有問題， 我想跟版上的有經驗的前輩請益，再回頭跟長官討論。 我將我的作法寫在下面， =========================訓練、驗證、測試流程============================ 首先將資料集 Data 切成 train 跟 test train 切成 k 塊，以 4 為例， A, B, C, D k=1, B + C + D 定義 train-train ， A 定義 train-validation 我有七種模型，你可以想像用不同的 backbone (resnet, mobilenet,...) 訓練完成我在 A 上可以得到 7 個 AUC 。 k=2, A + C + D 定義 train-train ， B 定義 train-validation 我有七種模型，同上 訓練完成我在 B 上可以得到 7 個 AUC 。 k=3, A + B + D 定義 train-train ， C 定義 train-validation 我有七種模型，同上 訓練完成我在 C 上可以得到 7 個 AUC 。 k=4, A + B + C 定義 train-train ， D 定義 train-validation 我有七種模型，同上 訓練完成我在 D 上可以得到 7 個 AUC 。 以上都跟 test 無關，只在 train 中。 最後我會得到 k*(3+3+1) 個模型，我全部在 test 上做驗證， 可以得到所有模型在測試集上的評估數據。 產品端可以將全部的模型都上線，但是伺服器費用高，所以不能全上。 需要挑選上線的模型，挑選 N 個模型，由單一表現最高的開始往下挑， 舉個例子來說明我的挑選方法： fold-k model_n 代表第 k 個 fold 裡面第 n 個模型 k = 1,2,3,4 有 4 個 fold n = 1,2,3,4,5,6,7 我有七個模型架構 top-1 ensemble 挑 test 上表現最好的第一個模型， 假設來自 fold-3 model_1 ，其中 test AUC 0.86 。 top-2 ensemble 挑 test 上表現最好的前兩個模型，預測結果兩者取平均， 假設來自 fold-3 model_1 、 fold-1 model_3 ，其中 test AUC 0.87 top-3 ensemble 挑 test 上表現最好的前三個模型，預測結果三者取平均， 假設來自 fold-3 model_1 、 fold-1 model_3 、 fold-3 model_2 ， 其中 test AUC 0.88 。 top-4 ensemble 挑 test 上表現最好的前四個模型，預測結果四者取平均， 假設來自 fold-3 model_1 、 fold-1 model_3 、 fold-3 model_2 、 fold-4 model_1， 其中 test AUC 0.875 。 發現在選到第四個模型綜合結果下降了，所以就挑選前三個模型， 當作產品的 classifier ，當然預測結果是取平均。 ============================================================== 挑選模型是從所有的 fold 當中訓練的所有模型來挑選。 請問這樣做產品會有很嚴重的邏輯錯誤在裡面嗎？ 有的話在哪邊？ 還是我應該簡單點，切 train, validation, test 這樣訓練一次， 不要做 K-fold ，但先前的經驗告訴我 ensemble 這種作法會提昇一個檔次， 所以我會想往這樣走， 而且透過不同的模型架構以及 K-fold 作法可以獲得更多的模型。 我不知道我的邏輯錯在哪？ 懇請高手指導，謝謝。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.254.12.48 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/DataScience/M.1643344620.A.B8A.html ※ 編輯: wheado (111.254.12.48 臺灣), 01/28/2022 12:37:38 ※ 編輯: wheado (111.254.12.48 臺灣), 01/28/2022 12:39:30 ※ 編輯: wheado (111.254.12.48 臺灣), 01/28/2022 12:42:36 ※ 編輯: wheado (111.254.12.48 臺灣), 01/28/2022 12:45:39 ※ 編輯: wheado (111.254.12.48 臺灣), 01/28/2022 12:50:24