ShuffleSplit#

class sklearn.model_selection.ShuffleSplit(n_splits=10, *, test_size=None, train_size=None, random_state=None)[原始碼]#

隨機排列交叉驗證器。

產生將資料分割成訓練集和測試集的索引。

注意：與其他交叉驗證策略相反，隨機分割不保證所有摺疊的測試集將是互斥的，並且可能包含重疊的樣本。然而，對於相當大的資料集，這仍然是非常有可能的。

在使用者指南中閱讀更多資訊。

如需視覺化交叉驗證行為以及比較常見的 scikit-learn 分割方法，請參閱在 scikit-learn 中視覺化交叉驗證行為

參數:
n_splitsint，預設值=10

重新洗牌和分割的迭代次數。

test_sizefloat 或 int，預設值=None

如果為 float，則應介於 0.0 和 1.0 之間，並表示包含在測試分割中的資料集比例。如果為 int，則表示測試樣本的絕對數量。如果為 None，則該值會設定為訓練大小的補數。如果 train_size 也為 None，則會將其設定為 0.1。

train_sizefloat 或 int，預設值=None

如果為 float，則應介於 0.0 和 1.0 之間，並表示包含在訓練分割中的資料集比例。如果為 int，則表示訓練樣本的絕對數量。如果為 None，則該值會自動設定為測試大小的補數。

random_stateint、RandomState 實例或 None，預設值=None

控制產生的訓練和測試索引的隨機性。傳遞一個 int 以在多個函數呼叫中產生可重複的輸出。請參閱詞彙表。

範例

>>> import numpy as np
>>> from sklearn.model_selection import ShuffleSplit
>>> X = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [3, 4], [5, 6]])
>>> y = np.array([1, 2, 1, 2, 1, 2])
>>> rs = ShuffleSplit(n_splits=5, test_size=.25, random_state=0)
>>> rs.get_n_splits(X)
5
>>> print(rs)
ShuffleSplit(n_splits=5, random_state=0, test_size=0.25, train_size=None)
>>> for i, (train_index, test_index) in enumerate(rs.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[1 3 0 4]
  Test:  index=[5 2]
Fold 1:
  Train: index=[4 0 2 5]
  Test:  index=[1 3]
Fold 2:
  Train: index=[1 2 4 0]
  Test:  index=[3 5]
Fold 3:
  Train: index=[3 4 1 0]
  Test:  index=[5 2]
Fold 4:
  Train: index=[3 5 1 0]
  Test:  index=[2 4]
>>> # Specify train and test size
>>> rs = ShuffleSplit(n_splits=5, train_size=0.5, test_size=.25,
...                   random_state=0)
>>> for i, (train_index, test_index) in enumerate(rs.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[1 3 0]
  Test:  index=[5 2]
Fold 1:
  Train: index=[4 0 2]
  Test:  index=[1 3]
Fold 2:
  Train: index=[1 2 4]
  Test:  index=[3 5]
Fold 3:
  Train: index=[3 4 1]
  Test:  index=[5 2]
Fold 4:
  Train: index=[3 5 1]
  Test:  index=[2 4]
get_metadata_routing()[原始碼]#

取得此物件的元數據路由。

請查看使用者指南，了解路由機制如何運作。

返回:
routingMetadataRequest

一個封裝路由資訊的 MetadataRequest。

get_n_splits(X=None, y=None, groups=None)[原始碼]#

返回交叉驗證器中的分割迭代次數。

參數:
X物件

始終忽略，為了相容性而存在。

y物件

始終忽略，為了相容性而存在。

groups物件

始終忽略，為了相容性而存在。

返回:
n_splitsint

返回交叉驗證器中的分割迭代次數。

split(X, y=None, groups=None)[原始碼]#

產生將資料分割成訓練集和測試集的索引。

參數:
X形狀為 (n_samples, n_features) 的類陣列

訓練資料，其中 n_samples 是樣本數，而 n_features 是特徵數。

y形狀為 (n_samples,) 的類陣列

監督式學習問題的目標變數。

groups物件

始終忽略，為了相容性而存在。

產生:
trainndarray

該分割的訓練集索引。

testndarray

該分割的測試集索引。