Python-sklearn包中StratifiedKFold和KFold生成交叉验证数据集的区别

一、StratifiedKFold及KFold主要区别及函数参数

KFold交叉采样：将训练/测试数据集划分n_splits个互斥子集，每次只用其中一个子集当做测试集，剩下的（n_splits-1）作为训练集，进行n_splits次实验并得到n_splits个结果。

注：对于不能均等分的数据集，前n_samples%n_spllits子集拥有n_samples//n_spllits+1个样本，其余子集都只有n_samples//n_spllits个样本。（例10行数据分3份，只有一份可分4行，其他均为3行）

1 sklearn.model_selection.KFold(n_splits=3,shuffle=False,random_state=None)

n_splits：表示将数据划分几等份

shuffle：在每次划分时，是否进行洗牌

若为False，其效果相当于random_state为整数(含零)，每次划分的结果相同

若为True，每次划分的结果不一样，表示经过洗牌，随机取样的

random_state：随机种子数，当设定值(一般为0)后可方便调参，因为每次生成的数据集相同

StratifiedKFold分层采样，用于交叉验证：与KFold最大的差异在于，StratifiedKFold方法是根据标签中不同类别占比来进行拆分数据的。

sklearn.model_selection.StratifiedKFold(n_splits=3,shuffle=False,random_state=None)

　　参数含义同KFold。

二、实例分析两者差别

首先生成8行数据(含特征和标签数据)

 1 import numpy as np
 2 from sklearn.model_selection import StratifiedKFold,KFold
 3 
 4 X=np.array([
 5     [1,2,3,4],
 6     [11,12,13,14],
 7     [21,22,23,24],
 8     [31,32,33,34],
 9     [41,42,43,44],
10     [51,52,53,54],
11     [61,62,63,64],
12     [71,72,73,74]
13 ])
14  
15 y=np.array([1,1,0,0,1,1,0,0])

利用KFold方法交叉采样：按顺序分别取第1-2、3-4、5-6和7-8的数据

#按顺序分别取第1-2、3-4、5-6和7-8的数据。
kfolder = KFold(n_splits=4,random_state=1)
for train, test in kfolder.split(X,y):
    print('Train: %s | test: %s' % (train, test),'\n')
>>>
Train: [2 3 4 5 6 7] | test: [0 1]
Train: [0 1 4 5 6 7] | test: [2 3]
Train: [0 1 2 3 6 7] | test: [4 5]
Train: [0 1 2 3 4 5] | test: [6 7]

利用StratifiedKFold方法分层采样：依照标签的比例来抽取数据，本案例集标签0和1的比例是1：1，因此在抽取数据时也是按照标签比例1：1来提取的

 1 #依照标签的比例来抽取数据，本案例集标签0和1的比例是1：1
 2 #因此在抽取数据时也是按照标签比例1：1来提取的
 3 sfolder = StratifiedKFold(n_splits=4,random_state=0)
 4 for train, test in sfolder.split(X,y):
 5     print('Train: %s | test: %s' % (train, test))
 6 >>>
 7 Train: [1 3 4 5 6 7] | test: [0 2]
 8 Train: [0 2 4 5 6 7] | test: [1 3]
 9 Train: [0 1 2 3 5 7] | test: [4 6]
10 Train: [0 1 2 3 4 6] | test: [5 7]

————————————————

版权声明：本文为CSDN博主「ckSpark」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/MsSpark/article/details/84455402