sklearn.model_selection.RepeatedKFold¶
class sklearn.model_selection.RepeatedKFold(*, n_splits=5, n_repeats=10, random_state=None)
[源码]
重复的K折交叉验证器。
重复K折n次，每次重复具有不同的随机性。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| n_splits | int, default=5 折数。必须至少为2。 |
| n_repeats | int, default=10 交叉验证器需要重复的次数。 |
| random_state | int or RandomState instance, default=None 控制每次重复的交叉验证实例的随机性。为多个函数调用传递可重复输出的int值。请参阅词汇表。 |
另见：
RepeatedStratifiedKFold重复分层K折n次。
注
随机CV切分器可能会为每个分割调用返回不同的结果。您可以通过设置random_state 为整数使结果相同。
示例
>>> import numpy as np
>>> from sklearn.model_selection import RepeatedKFold
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([0, 0, 1, 1])
>>> rkf = RepeatedKFold(n_splits=2, n_repeats=2, random_state=2652124)
>>> for train_index, test_index in rkf.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: [0 1] TEST: [2 3]
TRAIN: [2 3] TEST: [0 1]
TRAIN: [1 2] TEST: [0 3]
TRAIN: [0 3] TEST: [1 2]
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，*，n_splits = 5，n_repeats = 10，random_state = None ）
[源码]
初始化self。详情可参阅 type（self）的帮助。
get_n_splits（self，X = None，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 | object 始终被忽略，为了兼容性而存在。 np.zeros(n_samples)可用作占位符。 |
| y | object 始终被忽略，为了兼容性而存在。 np.zeros(n_samples)可用作占位符。 |
| groups | array-like of shape (n_samples,), default=None 将数据集切分为训练集或测试集时使用的样本的分组标签。 |
| 返回值 | 说明 |
|---|---|
| n_splits | int 返回交叉验证器中拆分迭代的次数。 |
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, 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 length 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 切拆分的训练集索引。 |
| test | ndarray 切分的测试集索引。 |
