Kfold：

將全部訓(xùn)練集分成k個不相交的子集，假設(shè)訓(xùn)練集的訓(xùn)練樣例個數(shù)為m，那么每一個子集有m/k個訓(xùn)練樣例，比如[1,2,3,4,5,6]分成兩份，則第一份可能為[1,3,5],第二份[2,4,6]。
每次從分好的子集里面，拿出一個作為測試集，其他k-1個作為訓(xùn)練集
在k-1個訓(xùn)練集上訓(xùn)練出學(xué)習(xí)器模型，把這個模型用測試集來驗證，最后求得所有子集的分類率的平均值，作為該模型或者假設(shè)函數(shù)的真實分類率。

StratifiedKFold

StratifiedKFold用法類似Kfold，但是他是分層采樣，確保訓(xùn)練集的預(yù)測結(jié)果（0,1）都占有，測試集中各類別樣本的比例與原始數(shù)據(jù)集中相同。也就是正負(fù)例都含有。

例子：

import numpy as np from sklearn.model_selection import StratifiedKFold,KFold X=np.array([[1,2,3,4],[11,12,13,14],[21,22,23,24],[31,32,33,34],[41,42,43,44],[51,52,53,54],[61,62,63,64],[71,72,73,74] ])y=np.array([1,1,0,0,1,1,0,0]) #n_folds這個參數(shù)沒有，引入的包不同， floder = KFold(n_splits=4,random_state=0,shuffle=False) sfolder = StratifiedKFold(n_splits=4,random_state=0,shuffle=False)for train, test in sfolder.split(X,y):print('StratifiedKFold Train index: %s | test: %s' % (train, test))print('X[train]:',X[train])print('y[train]:',y[train])print('X[test]:',X[test])print('y[test]:',y[test])print(" ")for train, test in floder.split(X,y):print('KFold Train index: %s | test index : %s' % (train, test))print('X[train]:', X[train])print('y[train]:', y[train])print('X[test]:', X[test])print('y[test]:', y[test])print(" ")

結(jié)果：

D:\ProgramFiles\Anaconda3\python.exe "D:/Python Project/Finance-Cup-Data-master/Data-Finance-Cup/luojiLearn/KfoldLearn.py" StratifiedKFold Train: [1 3 4 5 6 7] | test: [0 2] X[train]: [[11 12 13 14][31 32 33 34][41 42 43 44][51 52 53 54][61 62 63 64][71 72 73 74]] y[train]: [1 0 1 1 0 0] X[test]: [[ 1 2 3 4][21 22 23 24]] y[test]: [1 0]StratifiedKFold Train: [0 2 4 5 6 7] | test: [1 3] X[train]: [[ 1 2 3 4][21 22 23 24][41 42 43 44][51 52 53 54][61 62 63 64][71 72 73 74]] y[train]: [1 0 1 1 0 0] X[test]: [[11 12 13 14][31 32 33 34]] y[test]: [1 0]StratifiedKFold Train: [0 1 2 3 5 7] | test: [4 6] X[train]: [[ 1 2 3 4][11 12 13 14][21 22 23 24][31 32 33 34][51 52 53 54][71 72 73 74]] y[train]: [1 1 0 0 1 0] X[test]: [[41 42 43 44][61 62 63 64]] y[test]: [1 0]StratifiedKFold Train: [0 1 2 3 4 6] | test: [5 7] X[train]: [[ 1 2 3 4][11 12 13 14][21 22 23 24][31 32 33 34][41 42 43 44][61 62 63 64]] y[train]: [1 1 0 0 1 0] X[test]: [[51 52 53 54][71 72 73 74]] y[test]: [1 0]KFold Train: [2 3 4 5 6 7] | test: [0 1] X[train]: [[21 22 23 24][31 32 33 34][41 42 43 44][51 52 53 54][61 62 63 64][71 72 73 74]] y[train]: [0 0 1 1 0 0] X[test]: [[ 1 2 3 4][11 12 13 14]] y[test]: [1 1]KFold Train: [0 1 4 5 6 7] | test: [2 3] X[train]: [[ 1 2 3 4][11 12 13 14][41 42 43 44][51 52 53 54][61 62 63 64][71 72 73 74]] y[train]: [1 1 1 1 0 0] X[test]: [[21 22 23 24][31 32 33 34]] y[test]: [0 0]KFold Train: [0 1 2 3 6 7] | test: [4 5] X[train]: [[ 1 2 3 4][11 12 13 14][21 22 23 24][31 32 33 34][61 62 63 64][71 72 73 74]] y[train]: [1 1 0 0 0 0] X[test]: [[41 42 43 44][51 52 53 54]] y[test]: [1 1]KFold Train: [0 1 2 3 4 5] | test: [6 7] X[train]: [[ 1 2 3 4][11 12 13 14][21 22 23 24][31 32 33 34][41 42 43 44][51 52 53 54]] y[train]: [1 1 0 0 1 1] X[test]: [[61 62 63 64][71 72 73 74]] y[test]: [0 0]

總結(jié)

以上是生活随笔為你收集整理的StratifiedKFold和KFold（5折验证）交叉验证的联系和区别Python实例的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。