随机划分#
- class sklearn.model_selection.ShuffleSplit(n_splits=10, *, test_size=None, train_size=None, random_state=None)[source]#
随机排列交叉验证器。
生成用于将数据分成训练集和测试集的索引。
注意:与其他交叉验证策略相反,随机划分不能保证所有折中的测试集是互斥的,并且可能包含重叠样本。但是,对于大型数据集,这种情况仍然不太可能。
更多信息请参见用户指南。
有关交叉验证行为的可视化以及常见 scikit-learn 分割方法之间的比较,请参考 scikit-learn 中交叉验证行为的可视化
- 参数:
- n_splitsint,默认值=10
重新洗牌和分割迭代的次数。
- test_sizefloat 或 int,默认值=None
如果为 float,则应在 0.0 和 1.0 之间,表示要包含在测试分割中的数据集的比例。如果为 int,则表示测试样本的绝对数量。如果为 None,则该值将设置为训练大小的补集。如果
train_size
也为 None,则将其设置为 0.1。- train_sizefloat 或 int,默认值=None
如果为 float,则应在 0.0 和 1.0 之间,表示要包含在训练分割中的数据集的比例。如果为 int,则表示训练样本的绝对数量。如果为 None,则该值将自动设置为测试大小的补集。
- random_stateint、RandomState 实例或 None,默认值=None
控制生成的训练和测试索引的随机性。传递一个 int 以在多次函数调用中获得可重复的输出。参见 词汇表。
示例
>>> import numpy as np >>> from sklearn.model_selection import ShuffleSplit >>> X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [3, 4], [5, 6]]) >>> y = np.array([1, 2, 1, 2, 1, 2]) >>> rs = ShuffleSplit(n_splits=5, test_size=.25, random_state=0) >>> rs.get_n_splits(X) 5 >>> print(rs) ShuffleSplit(n_splits=5, random_state=0, test_size=0.25, train_size=None) >>> for i, (train_index, test_index) in enumerate(rs.split(X)): ... print(f"Fold {i}:") ... print(f" Train: index={train_index}") ... print(f" Test: index={test_index}") Fold 0: Train: index=[1 3 0 4] Test: index=[5 2] Fold 1: Train: index=[4 0 2 5] Test: index=[1 3] Fold 2: Train: index=[1 2 4 0] Test: index=[3 5] Fold 3: Train: index=[3 4 1 0] Test: index=[5 2] Fold 4: Train: index=[3 5 1 0] Test: index=[2 4] >>> # Specify train and test size >>> rs = ShuffleSplit(n_splits=5, train_size=0.5, test_size=.25, ... random_state=0) >>> for i, (train_index, test_index) in enumerate(rs.split(X)): ... print(f"Fold {i}:") ... print(f" Train: index={train_index}") ... print(f" Test: index={test_index}") Fold 0: Train: index=[1 3 0] Test: index=[5 2] Fold 1: Train: index=[4 0 2] Test: index=[1 3] Fold 2: Train: index=[1 2 4] Test: index=[3 5] Fold 3: Train: index=[3 4 1] Test: index=[5 2] Fold 4: Train: index=[3 5 1] Test: index=[2 4]
- 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。
图库示例#
绘制学习曲线和检查模型的可扩展性
scikit-learn 中交叉验证行为的可视化
缩放 SVC 的正则化参数