Python sklearn LeavePOut用法及代碼示例

本文簡要介紹python語言中 sklearn.model_selection.LeavePOut 的用法。

用法:

class sklearn.model_selection.LeavePOut(p)

Leave-P-Out cross-validator

提供訓練/測試索引以拆分訓練/測試集中的數據。這導致對大小為 p 的所有不同樣本進行測試，而剩餘的 n - p 個樣本在每次迭代中形成訓練集。

注意：LeavePOut(p) 不等同於創建非重疊測試集的KFold(n_splits=n_samples // p)。

由於隨著樣本數量的增加而增加的迭代次數較多，這種交叉驗證方法的成本可能非常高。對於大型數據集，應該支持 KFold 、 StratifiedKFold 或 ShuffleSplit 。

在用戶指南中閱讀更多信息。

參數：

p：int

測試集的大小。必須嚴格小於樣本數。

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]