是否有任何内置方法可以让 scikit-learn 执行 shuffled 分层 k 折交叉验证？这是最常见的 CV 方法之一，我很惊讶找不到内置方法来执行此操作。
我看到cross_validation.KFold() 有一个洗牌标志，但它没有分层。不幸的是cross_validation.StratifiedKFold() 没有这样的选项，cross_validation.StratifiedShuffleSplit() 不会产生不相交的折叠。
我错过了什么吗？这是计划好的吗？
（显然我可以自己实现）
【问题讨论】：
标签： python machine-learning scikit-learn cross-validation
这是我将分层洗牌分成训练和测试集的实现：
import numpy as np
def get_train_test_inds(y,train_proportion=0.7):
'''Generates indices, making random stratified split into training set and testing sets
with proportions train_proportion and (1-train_proportion) of initial sample.
y is any iterable indicating classes of each observation in the sample.
Initial proportions of classes inside training and
test sets are preserved (stratified sampling).
'''
y=np.array(y)
train_inds = np.zeros(len(y),dtype=bool)
test_inds = np.zeros(len(y),dtype=bool)
values = np.unique(y)
for value in values:
value_inds = np.nonzero(y==value)[0]
np.random.shuffle(value_inds)
n = int(train_proportion*len(value_inds))
train_inds[value_inds[:n]]=True
test_inds[value_inds[n:]]=True
return train_inds,test_inds
y = np.array([1,1,2,2,3,3])
train_inds,test_inds = get_train_test_inds(y,train_proportion=0.5)
print y[train_inds]
print y[test_inds]
这段代码输出：
[1 2 3]
[1 2 3]
【讨论】：
cross_validation.StratifiedKFold 的改组标志已在当前版本 0.15 中引入：
http://scikit-learn.org/0.15/modules/generated/sklearn.cross_validation.StratifiedKFold.html
这可以在更新日志中找到：
http://scikit-learn.org/stable/whats_new.html#new-features
cross_validation.StratifiedKFold 的随机播放选项。通过杰弗里 布莱克本。
【讨论】：
我想我会发布我的解决方案，以防它对其他人有用。
from collections import defaultdict
import random
def strat_map(y):
"""
Returns permuted indices that maintain class
"""
smap = defaultdict(list)
for i,v in enumerate(y):
smap[v].append(i)
for values in smap.values():
random.shuffle(values)
y_map = np.zeros_like(y)
for i,v in enumerate(y):
y_map[i] = smap[v].pop()
return y_map
##########
#Example Use
##########
skf = StratifiedKFold(y, nfolds)
sm = strat_map(y)
for test, train in skf:
test,train = sm[test], sm[train]
#then cv as usual
#######
#tests#
#######
import numpy.random as rnd
for _ in range(100):
y = np.array( [0]*10 + [1]*20 + [3] * 10)
rnd.shuffle(y)
sm = strat_map(y)
shuffled = y[sm]
assert (sm != range(len(y))).any() , "did not shuffle"
assert (shuffled == y).all(), "classes not in right position"
assert (set(sm) == set(range(len(y)))), "missing indices"
for _ in range(100):
nfolds = 10
skf = StratifiedKFold(y, nfolds)
sm = strat_map(y)
for test, train in skf:
assert (sm[test] != test).any(), "did not shuffle"
assert (y[sm[test]] == y[test]).all(), "classes not in right position"
【讨论】：
据我所知，这实际上是在 scikit-learn 中实现的。
""" 分层 ShuffleSplit 交叉验证迭代器
提供训练/测试索引以拆分训练测试集中的数据。
这个交叉验证对象是 StratifiedKFold 和 ShuffleSplit，返回分层的随机折叠。褶皱 是通过保留每个类的样本百分比来制作的。
注意：与 ShuffleSplit 策略一样，分层随机拆分 不保证所有折叠都会不同，尽管这是 对于相当大的数据集仍然很有可能。 """
【讨论】：