RepeatedKFold

classsklearn.model_selection.RepeatedKFold(*, n_splits=5, n_repeats=10, random_state=None)[source]

Перекрёстный валидатор Repeated K-Fold.

Повторяет K-Fold n раз с различной случайностью в каждом повторении.

Подробнее см. в Руководстве пользователя.

Параметры:

n_splitsint, по умолчанию=5

Количество фолдов. Должно быть не меньше 2.

n_repeatsint, по умолчанию=10

Количество раз, когда перекрёстный валидатор должен быть повторён.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет случайностью каждого повторённого перекрёстного валидирования. Передайте целое число для воспроизводимого результата при многократном вызове функции. См. Словарь.

См. также

RepeatedStratifiedKFold

Повторяет Stratified K-Fold n раз.

Примечания

Случайные разделители CV могут возвращать разные результаты для каждого вызова split. Вы можете сделать результаты одинаковыми, установив random_state в целое число.

Примеры

>>> 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)
>>> rkf.get_n_splits(X, y)
4
>>> print(rkf)
RepeatedKFold(n_repeats=2, n_splits=2, random_state=2652124)
>>> for i, (train_index, test_index) in enumerate(rkf.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
...
Fold 0:
  Train: index=[0 1]
  Test:  index=[2 3]
Fold 1:
  Train: index=[2 3]
  Test:  index=[0 1]
Fold 2:
  Train: index=[1 2]
  Test:  index=[0 3]
Fold 3:
  Train: index=[0 3]
  Test:  index=[1 2]

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_n_splits(X=None, y=None, groups=None)[source]

Возвращает количество итераций разделения в перекрёстном валидаторе.

Параметры:

Xобъект

Всегда игнорируется, существует для совместимости. np.zeros(n_samples) может быть использован в качестве плейсхолдера.

yобъект

Всегда игнорируется, существует для совместимости. np.zeros(n_samples) может быть использован в качестве плейсхолдера.

groupsмассив-подобный формы (n_samples,), по умолчанию=None

Метки групп для образцов, используемых при разделении набора данных на обучающую/тестовую выборку.

Возвращает:

n_splitsint

Возвращает количество итераций разделения в перекрёстном валидаторе.

split(X, y=None, groups=None)[source]

Генерирует индексы для разделения данных на обучающую и тестовую выборки.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Обучающие данные, где n_samples — количество образцов, а n_features — количество признаков.

yмассив-подобный формы (n_samples,)

Целевая переменная для задач обучения с учителем.

groupsобъект

Всегда игнорируется, существует для совместимости.

Выходные данные:

trainndarray

Индексы обучающей выборки для данного разбиения.

testndarray

Индексы тестовой выборки для данного разбиения.

Примеры галереи

Общие ошибки при интерпретации коэффициентов линейных моделей