Python sklearn LeavePOut用法及代码示例

本文简要介绍python语言中 sklearn.model_selection.LeavePOut 的用法。

用法:

class sklearn.model_selection.LeavePOut(p)

Leave-P-Out cross-validator

提供训练/测试索引以拆分训练/测试集中的数据。这导致对大小为 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) 不等同于创建非重叠测试集的KFold(n_splits=n_samples // p)。

由于随着样本数量的增加而增加的迭代次数较多，这种交叉验证方法的成本可能非常高。对于大型数据集，应该支持 KFold 、 StratifiedKFold 或 ShuffleSplit 。

在用户指南中阅读更多信息。

参数：

p：int

测试集的大小。必须严格小于样本数。

例子：

>>> 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]