LeavePOut#

class sklearn.model_selection.LeavePOut(p)[source]#

Leave-P-Out 交叉验证器。

提供训练/测试索引以将数据拆分为训练/测试集。这将导致对大小为p的所有不同样本进行测试，而剩余的n-p个样本在每次迭代中形成训练集。

注意：LeavePOut(p)不等同于KFold(n_splits=n_samples // p)，后者创建非重叠的测试集。

由于迭代次数随着样本数量的增加而呈组合增长，这种交叉验证方法可能非常耗费资源。对于大型数据集，应优先选择KFold、StratifiedKFold或ShuffleSplit。

在用户指南中了解更多信息。

参数:

pint: 测试集的大小。必须严格小于样本数。

示例

>>> import numpy as np
>>> from sklearn.model_selection import LeavePOut
>>> X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
>>> y = np.array([1, 2, 3, 4])
>>> lpo = LeavePOut(2)
>>> lpo.get_n_splits(X)
6
>>> print(lpo)
LeavePOut(p=2)
>>> for i, (train_index, test_index) in enumerate(lpo.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[2 3]
  Test:  index=[0 1]
Fold 1:
  Train: index=[1 3]
  Test:  index=[0 2]
Fold 2:
  Train: index=[1 2]
  Test:  index=[0 3]
Fold 3:
  Train: index=[0 3]
  Test:  index=[1 2]
Fold 4:
  Train: index=[0 2]
  Test:  index=[1 3]
Fold 5:
  Train: index=[0 1]
  Test:  index=[2 3]

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制如何工作。

返回:

routingMetadataRequest: 封装路由信息的 MetadataRequest。

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

返回交叉验证器中的拆分迭代次数。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练数据，其中 n_samples 是样本数，n_features 是特征数。
yshape 为 (n_samples,), default=None 的 array-like: 始终忽略，存在是为了保持 API 兼容性。
groups形状为 (n_samples,) 的类数组对象，默认=None: 始终忽略，存在是为了保持 API 兼容性。

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

生成索引以将数据拆分为训练集和测试集。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练数据，其中 n_samples 是样本数，n_features 是特征数。
yshape 为 (n_samples,), default=None 的 array-like: 用于监督学习问题的目标变量。
groups形状为 (n_samples,) 的类数组对象，默认=None: 始终忽略，存在是为了保持 API 兼容性。

生成:

trainndarray: 该拆分的训练集索引。
testndarray: 该拆分的测试集索引。

LeavePOut#

本页