LeaveOneOut#

class sklearn.model_selection.LeaveOneOut#

Leave-One-Out 交叉验证器。

提供训练/测试索引来将数据分割为训练/测试集。每个样本被用作一次测试集（单例），而剩余的样本构成训练集。

注意： LeaveOneOut() 等同于 KFold(n_splits=n) 和 LeavePOut(p=1) ，其中 n 是样本的数量。

由于测试集的数量（与样本数量相同）非常高，这种交叉验证方法可能会非常昂贵。对于大型数据集，应优先考虑 KFold 、ShuffleSplit 或 StratifiedKFold 。

更多信息请参阅用户指南。

See also

LeaveOneGroupOut: 根据显式的、特定领域的数据集分层进行数据分割。
GroupKFold: 具有非重叠组的 K-fold 迭代器变体。

Examples

>>> import numpy as np
>>> from sklearn.model_selection import LeaveOneOut
>>> X = np.array([[1, 2], [3, 4]])
>>> y = np.array([1, 2])
>>> loo = LeaveOneOut()
>>> loo.get_n_splits(X)
2
>>> print(loo)
LeaveOneOut()
>>> for i, (train_index, test_index) in enumerate(loo.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[1]
  Test:  index=[0]
Fold 1:
  Train: index=[0]
  Test:  index=[1]

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Returns:

routingMetadataRequest: MetadataRequest 封装的路由信息。

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

返回交叉验证器中的拆分迭代次数。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 训练数据，其中 n_samples 是样本数量和 n_features 是特征数量。
y对象: 总是被忽略，存在是为了兼容性。
groups对象: 总是被忽略，存在是为了兼容性。

Returns:

n_splitsint: 返回交叉验证器中的拆分迭代次数。

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

生成索引以将数据拆分为训练集和测试集。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 训练数据，其中 n_samples 是样本数量且 n_features 是特征数量。
y形状为 (n_samples,) 的类数组: 监督学习问题的目标变量。
groups对象: 始终被忽略，存在以确保兼容性。

Yields:

trainndarray: 该拆分的训练集索引。
testndarray: 该拆分的测试集索引。