我有一个数据框,其中每个样本属于一个组。例如,我想运行一个数据框,其中每个样本属于一个组。
df = a b c group
1 1 2 G1
1 6 1 G1
8 2 8 G3
2 8 7 G2
1 9 2 G2
1 7 2 G3
4 0 2 G4
1 5 1 G4
6 7 8 G5
3 3 7 G6
1 2 2 G6
1 0 5 G7
我想运行 cross_val_predict
,同时确保来自同一组的所有样本都在测试中或都在训练中.我想将数据分割成4个褶皱--但要确保来自同一组的所有行都一起在测试或训练中。
所以,例如,行0,1和行4,5将在火车上,但行3,6(G3)将在测试中。
这可能吗?我看到了 group
但它不是很清楚,我也没有找到任何例子。
使用 GroupKFold
作为参数 cv
在 cross_val_predict()
:
scores = cross_val_score(model, X, y, groups, cv=GroupKFold())
注意: groups
数组表示数据中我们希望在同一个训练测试集中的组。它不是一个类标签的数组。
例如:
from sklearn.datasets import make_blobs
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GroupKFold, cross_val_score
X, y = make_blobs(n_samples=15, random_state=0)
model = LogisticRegression()
groups = [0,0,0,1,1,1,1,2,2,2,2,3,3,3,3]
scores = cross_val_score(model, X, y, groups, cv=GroupKFold(n_splits=3))
print('cross val scores: {}'.format(scores))