RepeatedKFold#

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

重复K折交叉验证器。

重复K折n次，每次重复使用不同的随机化。

更多信息请参见 用户指南。

参数：
n_splitsint，默认为5

折叠数。必须至少为2。

n_repeatsint，默认为10

需要重复交叉验证器的次数。

random_stateint、RandomState 实例或 None，默认为 None

控制每次重复交叉验证实例的随机性。传递一个整数以在多次函数调用中获得可重复的输出。参见 词汇表。

另请参见

RepeatedStratifiedKFold (重复分层K折交叉验证)

将分层 K 折重复 n 次。

备注

随机化 CV 分割器每次调用 split 时可能会返回不同的结果。可以通过将random_state设置为整数来使结果相同。

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)
>>> 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]#

获取此对象的元数据路由。

请查看 用户指南，了解路由机制的工作原理。

返回：
routingMetadataRequest

一个 MetadataRequest 封装了路由信息。

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

返回交叉验证器中的分割迭代次数。

参数：
X对象

始终忽略，为了兼容性而存在。np.zeros(n_samples)可用作占位符。

y对象

始终忽略，为了兼容性而存在。np.zeros(n_samples)可用作占位符。

groups形状为 (n_samples,) 的类数组，默认为 None

将数据集分割成训练集/测试集时使用的样本的组标签。

返回：
n_splitsint

返回交叉验证器中的分割迭代次数。

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

生成索引以将数据分割成训练集和测试集。

参数：
X形状为 (n_samples, n_features) 的类数组

训练数据，其中n_samples是样本数，n_features是特征数。

y形状为 (n_samples,) 的类数组

监督学习问题的目标变量。

groups对象

始终忽略，为了兼容性而存在。

产量：
trainndarray

该分割的训练集索引。

testndarray

该分割的测试集索引。