LeavePOut#

class sklearn.model_selection.LeavePOut(p)#

Leave-P-Out交叉验证器。

提供训练/测试索引以将数据分割为训练/测试集。这会在每次迭代中对所有大小为p的不同样本进行测试，而剩余的n - p个样本形成训练集。

注意： LeavePOut(p) 不等同于 KFold(n_splits=n_samples // p) ，后者创建不重叠的测试集。

由于迭代次数非常多，随着样本数量的增加呈组合式增长，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 , StratifiedKFold 或 ShuffleSplit 。

更多信息请参阅用户指南。

Parameters:

pint: 测试集的大小。必须严格小于样本数量。

Examples

>>> 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 i, (train_index, test_index) in enumerate(lpo.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[2 3]
  Test:  index=[0 1]
Fold 1:
  Train: index=[1 3]
  Test:  index=[0 2]
Fold 2:
  Train: index=[1 2]
  Test:  index=[0 3]
Fold 3:
  Train: index=[0 3]
  Test:  index=[1 2]
Fold 4:
  Train: index=[0 2]
  Test:  index=[1 3]
Fold 5:
  Train: index=[0 1]
  Test:  index=[2 3]

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， 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。

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。