預定義分割

class sklearn.model_selection.PredefinedSplit(test_fold)

預定義分割交叉驗證器。

使用 test_fold 參數，提供訓練/測試索引，以使用使用者指定的預定義方案將資料分割成訓練/測試集。

請參閱使用者指南以了解更多資訊。

在版本 0.16 中新增。

參數:

test_fold形狀為 (n_samples,) 的類陣列

條目 test_fold[i] 代表樣本 i 所屬的測試集索引。可以將樣本 i 從任何測試集中排除（即將樣本 i 包含在每個訓練集中），方法是將 test_fold[i] 設定為 -1。

範例

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

get_metadata_routing()

取得此物件的中繼資料路由。

請查看 使用者指南，了解路由機制的運作方式。

回傳值:

routingMetadataRequest

封裝路由資訊的 MetadataRequest。

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

回傳交叉驗證器中分割迭代的次數。

參數:

X物件

永遠忽略，為了相容性存在。

y物件

永遠忽略，為了相容性存在。

groups物件

永遠忽略，為了相容性存在。

回傳值:

n_splits整數

回傳交叉驗證器中分割迭代的次數。

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

產生索引，將資料分割為訓練集和測試集。

參數:

X物件

永遠忽略，為了相容性存在。

y物件

永遠忽略，為了相容性存在。

groups物件

永遠忽略，為了相容性存在。

產生:

trainndarray

該分割的訓練集索引。

testndarray

該分割的測試集索引。