sklearn.model_selection.LeavePOut?

class sklearn.model_selection.LeavePOut(p)

[源碼]

留P法交叉驗證器。

提供訓練集或測試集的索引以將數據切分為訓練集或測試集。這導致對大小為p的所有不同樣本進行測試，而其余n-p個樣本在每次迭代中形成訓練集。

注意：LeavePOut(p)不等同于創建不重疊的測試集的KFold(n_splits=n_samples // p)。

由于大量的迭代隨樣本數量一起增長，因此這種交叉驗證方法可能會非常耗時。對于大型數據集應該偏向于KFold，StratifiedKFold 或ShuffleSplit。

在用戶指南中閱讀更多內容。

參數	說明
p	int 測試集的大小。必須嚴格少于樣本數量。

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 train_index, test_index in lpo.split(X):
...     print("TRAIN:", train_index, "TEST:", test_index)
...     X_train, X_test = X[train_index], X[test_index]
...     y_train, y_test = y[train_index], y[test_index]
TRAIN: [2 3] TEST: [0 1]
TRAIN: [1 3] TEST: [0 2]
TRAIN: [1 2] TEST: [0 3]
TRAIN: [0 3] TEST: [1 2]
TRAIN: [0 2] TEST: [1 3]
TRAIN: [0 1] TEST: [2 3]

方法

方法	說明
`get_n_splits`(self, X[, y, groups])	返回交叉驗證器中的拆分迭代次數
`split`(self, X[, y, groups])	生成索引以將數據分為訓練集和測試集。

__init__（self，p ）

[源碼]

初始化self。詳情可參閱 type（self）的幫助。

get_n_splits（self，X，y = None，groups = None ）

[源碼]

返回交叉驗證器中的切分迭代次數。

參數	說明
X	array-like of shape (n_samples, n_features) 用于訓練的數據，其中n_samples是樣本數量，n_features是特征數量。
y	object 始終被忽略，為了兼容性而存在。
groups	object 始終被忽略，為了兼容性而存在。

split（self，X，y = None，groups = None ）

[源碼]

生成索引以將數據分為訓練集和測試集。

參數	說明
X	array-like of shape (n_samples, n_features) 用于訓練的數據，其中n_samples是樣本數量，n_features是特征數量。
y	array-like of shape (n_samples,) 監督學習問題的目標變量。
groups	array-like of shape (n_samples,), default=None 將數據集拆分為訓練集或測試集時使用的樣本的分組標簽。

輸出	說明
train	ndarray 切分的訓練集索引。
test	ndarray 切分的測試集索引。