分组随机划分

class sklearn.model_selection.GroupShuffleSplit(n_splits=5, *, test_size=None, train_size=None, random_state=None)

分组随机划分交叉验证迭代器。

根据第三方提供的组信息提供随机的训练/测试索引来划分数据。此分组信息可用于将样本的任意域特定分层编码为整数。

例如，分组可以是样本的收集年份，从而允许针对基于时间的拆分进行交叉验证。

LeavePGroupsOut 和 GroupShuffleSplit 的区别在于，前者使用所有大小为 p 的唯一组的子集生成分割，而后者则生成用户确定的数量的随机测试分割，每个分割都包含用户确定的比例的唯一组。

例如，一个计算强度较低的替代方案 LeavePGroupsOut(p=10) 是 GroupShuffleSplit(test_size=10, n_splits=100)。

与其他交叉验证策略相反，随机分割不能保证所有折中的测试集都是互斥的，并且可能包含重叠样本。但是，对于大型数据集，这种情况仍然非常可能。

注意：参数 test_size 和 train_size 指的是组，而不是像 ShuffleSplit 中那样指的是样本。

在 用户指南 中了解更多信息。

有关交叉验证行为的可视化以及常用 scikit-learn 分割方法之间的比较，请参阅 scikit-learn 中交叉验证行为的可视化

参数：

n_splitsint, default=5

重新洗牌和分割迭代的次数。

test_sizefloat, int, default=None

如果为浮点数，则应介于 0.0 和 1.0 之间，并表示测试分割中包含的组的比例（向上取整）。如果为整数，则表示测试组的绝对数量。如果为 None，则该值设置为训练大小的补码。如果 train_size 也为 None，则将其设置为 0.2。

train_sizefloat 或 int, default=None

如果为浮点数，则应介于 0.0 和 1.0 之间，并表示训练分割中包含的组的比例。如果为整数，则表示训练组的绝对数量。如果为 None，则该值将自动设置为测试大小的补码。

random_stateint, RandomState 实例或 None, default=None

控制生成的训练和测试索引的随机性。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

随机划分

洗牌样本以创建独立的测试/训练集。

留P组交叉验证

训练集省略了所有可能的 p 个组的子集。

示例

>>> import numpy as np
>>> from sklearn.model_selection import GroupShuffleSplit
>>> X = np.ones(shape=(8, 2))
>>> y = np.ones(shape=(8, 1))
>>> groups = np.array([1, 1, 2, 2, 2, 3, 3, 3])
>>> print(groups.shape)
(8,)
>>> gss = GroupShuffleSplit(n_splits=2, train_size=.7, random_state=42)
>>> gss.get_n_splits()
2
>>> print(gss)
GroupShuffleSplit(n_splits=2, random_state=42, test_size=None, train_size=0.7)
>>> for i, (train_index, test_index) in enumerate(gss.split(X, y, groups)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}, group={groups[train_index]}")
...     print(f"  Test:  index={test_index}, group={groups[test_index]}")
Fold 0:
  Train: index=[2 3 4 5 6 7], group=[2 2 2 3 3 3]
  Test:  index=[0 1], group=[1 1]
Fold 1:
  Train: index=[0 1 5 6 7], group=[1 1 3 3 3]
  Test:  index=[2 3 4], group=[2 2 2]

get_metadata_routing()

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)

返回交叉验证器中的分割迭代次数。

参数：

X对象

始终被忽略，为了兼容性而存在。

y对象

始终被忽略，为了兼容性而存在。

groups对象

始终被忽略，为了兼容性而存在。

返回：

n_splitsint

返回交叉验证器中的分割迭代次数。

set_split_request(*, groups: bool | None | str = '$UNCHANGED$') → GroupShuffleSplit

请求传递给 split 方法的元数据。

请注意，仅当 enable_metadata_routing=True 时（参见 sklearn.set_config）此方法才相关。请参见 用户指南，了解路由机制的工作原理。

每个参数的选项为

• True：请求元数据，如果提供则将其传递给 split。如果未提供元数据，则忽略请求。

• False：不请求元数据，元估计器不会将其传递给 split。

• None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

• str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求，而无需更改其他参数。

版本 1.3 中新增。

注意

只有当此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），此方法才相关。否则，它无效。

参数：

groupsstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

split 中 groups 参数的元数据路由。

返回：

self对象

更新后的对象。

split(X, y=None, groups=None)

生成索引以将数据拆分为训练集和测试集。

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，默认为 None

监督学习问题的目标变量。

groups形状为 (n_samples,) 的类数组

将数据集拆分为训练集/测试集时使用的样本的组标签。

产量：

trainndarray

该拆分的训练集索引。

testndarray

该拆分的测试集索引。

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。您可以通过将 random_state 设置为整数来使结果相同。

图库示例

可视化 scikit-learn 中的交叉验证行为

可视化 scikit-learn 中的交叉验证行为