RepeatedStratifiedKFold

classsklearn.model_selection.RepeatedStratifiedKFold(*, n_splits=5, n_repeats=10, random_state=None)[исходный код]

Повторный стратифицированный k-кратный кросс-валидатор с разбиением по классам.

Повторяет стратифицированное k-кратное разбиение n раз, используя при каждом повторе случайное разбиение.

Подробнее см. в руководстве пользователя.

Примечание

Стратификация по меткам классов решает скорее инженерную, а не статистическую задачу. Подробнее см. в разделе Итераторы кросс-валидации со стратификацией по меткам классов.

Параметры:

n_splitsint, по умолчанию=5

Количество фолдов. Должно быть не меньше 2.

n_repeatsint, по умолчанию=10

Количество повторений кросс-валидатора.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет генерацией случайных состояний для каждого повтора. Передайте целое число, чтобы получать воспроизводимый результат при нескольких вызовах функции. См. глоссарий.

См. также

RepeatedKFold

Повторяет k-кратное разбиение n раз.

Примечания

Разбиения для случайной кросс-валидации могут возвращать разные результаты при каждом вызове split. Чтобы результаты были одинаковыми, задайте random_state целым числом.

Примеры

>>> import numpy as np
>>> from sklearn.model_selection import RepeatedStratifiedKFold
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([0, 0, 1, 1])
>>> rskf = RepeatedStratifiedKFold(n_splits=2, n_repeats=2,
...     random_state=36851234)
>>> rskf.get_n_splits()
4
>>> print(rskf)
RepeatedStratifiedKFold(n_repeats=2, n_splits=2, random_state=36851234)
>>> for i, (train_index, test_index) in enumerate(rskf.split(X, y)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
...
Fold 0:
  Train: index=[1 2]
  Test:  index=[0 3]
Fold 1:
  Train: index=[0 3]
  Test:  index=[1 2]
Fold 2:
  Train: index=[1 3]
  Test:  index=[0 2]
Fold 3:
  Train: index=[0 2]
  Test:  index=[1 3]

get_metadata_routing()[исходный код]

Получить маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_n_splits(X=None, y=None, groups=None)[исходный код]

Возвращает количество итераций разбиения, заданное параметром n_splits при создании экземпляра кросс-валидатора.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features), по умолчанию=None

Всегда игнорируется; параметр существует для совместимости с API.

yмассивоподобный объект формы (n_samples,), по умолчанию=None

Всегда игнорируется; параметр существует для совместимости с API.

groupsмассивоподобный объект формы (n_samples,), по умолчанию=None

Всегда игнорируется; параметр существует для совместимости с API.

Возвращает:

n_splitsint

Возвращает количество итераций разбиения в кросс-валидаторе.

split(X, y, groups=None)[исходный код]

Создать индексы для разбиения данных на обучающую и тестовую выборки.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

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

Обратите внимание, что для создания разбиений достаточно передать y, поэтому в качестве заполнителя вместо фактических обучающих данных можно использовать np.zeros(n_samples) для X.

yмассивоподобный объект формы (n_samples,)

Целевая переменная для задач обучения с учителем. Стратификация выполняется на основе меток y.

groupsмассивоподобный объект формы (n_samples,), по умолчанию=None

Всегда игнорируется; параметр существует для совместимости с API.

Генерирует:

trainndarray

Индексы обучающей выборки для данного разбиения.

testndarray

Индексы тестовой выборки для данного разбиения.

Примечания

Разбиения для случайной кросс-валидации могут возвращать разные результаты при каждом вызове split. Чтобы результаты были одинаковыми, задайте random_state целым числом.

Примеры из галереи

Статистическое сравнение моделей с помощью поиска по сетке

Апостериорная настройка порога функции принятия решений

Обзор метаоценщиков для обучения многоклассовых моделей