RepeatedStratifiedKFold

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

Повторный стратифицированный K-Fold перекрестный валидатор.

Повторяет стратифицированный K-Fold n раз с различной случайной выборкой в каждом повторении.

Подробнее см. в Руководстве пользователя.

Параметры:

n_splitsint, по умолчанию=5

Количество фолдов. Должно быть не менее 2.

n_repeatsint, по умолчанию=10

Количество повторений перекрестного валидатора.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Управляет генерацией случайных состояний для каждого повторения. Передайте целое число для воспроизводимого результата при многократном вызове функции. См. Словарь.

См. также

RepeatedKFold

Повторяет K-Fold n раз.

Примечания

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

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(X, y)
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()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по работе механизма маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest содержащий информацию о маршрутизации.

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

Возвращает количество итераций разделения в перекрестном валидаторе.

Параметры:

Xобъект

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

yобъект

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

groupsмассив-подобный с формой (n_samples,), по умолчанию=None

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

Возвращает:

n_splitsint

Возвращает количество итераций разделения в перекрестном валидаторе.

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

Генерирует индексы для разделения данных на обучающую и тестовую выборку.

Параметры:

Xмассив-подобный с формой (n_samples, n_features)

Данные обучения, где n_samples — количество выборок, а n_features — количество признаков.

Обратите внимание, что предоставление y достаточно для генерации разбиений, и поэтому np.zeros(n_samples) может использоваться в качестве заполнителя X вместо фактических обучающих данных.

yмассив-подобный с формой (n_samples,)

Переменная цели для задач обучения с учителем. Стратификация выполняется на основе меток y.

groupsобъект

Всегда игнорируется, существует для совместимости.

Возвращает:

trainndarray

Индексы обучающей выборки для данного разбиения.

testndarray

Индексы тестовой выборки для данного разбиения.

Примечания

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

Примеры из галереи

Настройка порогового значения функции принятия решений после обучения

Статистическое сравнение моделей с использованием поиска по сетке

Обзор мета-эстиматоров многоклассовой классификации