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。

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。

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([[12], [34], [12], [34]])
>>> y = np.array([0011])
>>> 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。

sklearn.model_selection.RepeatedKFold使用示例