sklearn.model_selection.LeavePOut¶

class sklearn.model_selection.LeavePOut(p)

[源码]

留P法交叉验证器。

提供训练集或测试集的索引以将数据切分为训练集或测试集。这导致对大小为p的所有不同样本进行测试，而其余n-p个样本在每次迭代中形成训练集。

注意：LeavePOut(p)不等同于创建不重叠的测试集的KFold(n_splits=n_samples // p)。

由于大量的迭代随样本数量一起增长，因此这种交叉验证方法可能会非常耗时。对于大型数据集应该偏向于KFold，StratifiedKFold 或ShuffleSplit。

在用户指南中阅读更多内容。

参数	说明
p	int 测试集的大小。必须严格少于样本数量。

示例

>>> import numpy as np
>>> from sklearn.model_selection import LeavePOut
>>> X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
>>> y = np.array([1, 2, 3, 4])
>>> lpo = LeavePOut(2)
>>> lpo.get_n_splits(X)
6
>>> print(lpo)
LeavePOut(p=2)
>>> for train_index, test_index in lpo.split(X):
...     print("TRAIN:", train_index, "TEST:", test_index)
...     X_train, X_test = X[train_index], X[test_index]
...     y_train, y_test = y[train_index], y[test_index]
TRAIN: [2 3] TEST: [0 1]
TRAIN: [1 3] TEST: [0 2]
TRAIN: [1 2] TEST: [0 3]
TRAIN: [0 3] TEST: [1 2]
TRAIN: [0 2] TEST: [1 3]
TRAIN: [0 1] TEST: [2 3]

方法

方法	说明
`get_n_splits`(self, X[, y, groups])	返回交叉验证器中的拆分迭代次数
`split`(self, X[, y, groups])	生成索引以将数据分为训练集和测试集。

__init__（self，p ）

[源码]

初始化self。详情可参阅 type（self）的帮助。

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

[源码]

返回交叉验证器中的切分迭代次数。

参数	说明
X	array-like of shape (n_samples, n_features) 用于训练的数据，其中n_samples是样本数量，n_features是特征数量。
y	object 始终被忽略，为了兼容性而存在。
groups	object 始终被忽略，为了兼容性而存在。

split（self，X，y = None，groups = None ）

[源码]

生成索引以将数据分为训练集和测试集。

参数	说明
X	array-like of shape (n_samples, n_features) 用于训练的数据，其中n_samples是样本数量，n_features是特征数量。
y	array-like of shape (n_samples,) 监督学习问题的目标变量。
groups	array-like of shape (n_samples,), default=None 将数据集拆分为训练集或测试集时使用的样本的分组标签。

输出	说明
train	ndarray 切分的训练集索引。
test	ndarray 切分的测试集索引。