sklearn.model_selection.KFold

类 sklearn.model_selection.KFold(n_splits=5, shuffle=False, random_state=None)

K折交叉验证器

提供训练/测试索引以将数据拆分为训练/测试集。将数据集拆分为k个连续的折叠（默认情况下不进行混洗），然后将每个折叠用作一次验证，而剩下的k-1个折叠形成训练集。

参数：

• n_splits：表示折叠成几份。整型，默认为5，至少为2。
• shuffle：表示在拆分成批次之前是否对数据进行混洗。布尔值，可选。默认False。
• random_state：整型，RandomState实例或None，可选，默认None。

如果为整型，则 random_state 是随机数生成器使用的种子；
如果是 RandomState 实例，则 random_state 是随机数生成器；
如果为 None，则随机数生成器是所使用的 RandomState 实例 np.random，仅当 shuffle 为 True 时使用。
如果 shuffle 为 False，则应将其保留为 None。

---

例子：

>>> import numpy as np
>>> from sklearn.model_selection import KFold
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([1, 2, 3, 4])
>>> kf = KFold(n_splits=2)
>>> kf.get_n_splits(X)
2
>>> print(kf)
KFold(n_splits=2, random_state=None, shuffle=False)
>>> for train_index, test_index in kf.split(X):
...     print("TRAIN:", train_index, "TEST:", test_index)
...     X_train, X_test = X[train_index], X[test_index]
...     y_train, y_test = y[train_index], y[test_index]
TRAIN: [2 3] TEST: [0 1]
TRAIN: [0 1] TEST: [2 3]

---

方法：

• get_n_splits：返回交叉验证器中的拆分迭代次数。
• split：生成索引以将数据分为训练和测试集。

__ init __(self, n_splits=5, shuffle=False, random_state=None)

---

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

参数：

• X：对象
  始终被忽略，出于兼容性考虑而存在。
• y：对象
  始终被忽略，出于兼容性考虑而存在。
• groups：对象
  始终被忽略，出于兼容性考虑而存在。

返回值：

n_splits：整型，返回交叉验证器中拆分迭代的次数。

---

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

参数：

• X：array-like, shape (n_samples, n_features)
  训练数据，其中n_samples是样本数，n_​​features是要素数。

• y：array-like, shape (n_samples,)
  监督学习问题的目标变量。

• groups：array-like, with shape (n_samples,) 可选
  将数据集拆分为训练/测试集时使用的样本的标签分组。

Yields：

• train：ndarray
  拆分的训练集索引。

• test：ndarray
  拆分的测试集索引。