sklearn.model_selection.KFold

K折交叉验证：sklearn.model_selection.KFold(n_splits=3, shuffle=False, random_state=None)

思路：将训练/测试数据集划分n_splits个互斥子集，每次用其中一个子集当作验证集，剩下的n_splits-1个作为训练集，进行n_splits次训练和测试，得到n_splits个结果

注意点：对于不能均等份的数据集，其前n_samples % n_splits子集拥有n_samples // n_splits + 1个样本，其余子集都只有n_samples // n_splits样本

参数说明：

n_splits：表示划分几等份

shuffle：在每次划分时，是否进行洗牌

①若为Falses时，其效果等同于random_state等于整数，每次划分的结果相同

②若为True时，每次划分的结果都不一样，表示经过洗牌，随机取样的

random_state：随机种子数

属性：

①get_n_splits(X=None, y=None, groups=None)：获取参数n_splits的值

②split(X, y=None, groups=None)：将数据集划分成训练集和测试集，返回索引生成器

通过一个不能均等划分的栗子，设置不同参数值，观察其结果

①设置shuffle=False，运行两次，发现两次结果相同

4.用enumerate，可以在输出每份的同时，输出每份的索引

from sklearn.model_selection import StratifiedKFold

X = np.ones(10)
y = [0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
kfold = StratifiedKFold(n_splits=NFOLDS, shuffle=True, random_state=218)
kf = kfold.split(X, y)
for i, (train_fold, validate) in enumerate(kf):
    print(i,train_fold,validate)

0 [0 1 3 4 5 7 9] [2 6 8]
1 [0 1 2 3 4 6 7 8 9] [5]
2 [0 2 3 5 6 7 8 9] [1 4]
3 [1 2 3 4 5 6 8 9] [0 7]
4 [0 1 2 4 5 6 7 8] [3 9]

5.n_splits属性值获取方式

最后

以上就是怡然荔枝为你收集整理的sklearn.model_selection.KFold的全部内容，希望文章能够帮你解决sklearn.model_selection.KFold所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。