資訊專欄INFORMATION COLUMN
摘要：與的區(qū)別意思就是是按著不同類別標(biāo)簽的相對(duì)占比來(lái)進(jìn)行的分折看看代碼結(jié)果如下我們?cè)O(shè)置的是十折，也就是說(shuō)將分為十份，每次取一份來(lái)做集
1.KFold與StratifiedKFold的區(qū)別
class sklearn.model_selection.StratifiedKFold(n_splits=3, shuffle=False, random_state=None)
Stratified K-Folds cross-validator Provides train/test indices to split data in train/test sets.This cross-validation object is a variation of KFold that returns stratified folds. The folds are made by preserving the percentage of samples for each class
意思就是Stra~是按著不同類別標(biāo)簽的相對(duì)占比來(lái)進(jìn)行的分折
看看代碼
import numpy as np
import sklearn.datasets as ds
import sklearn.svm as sksvm
import sklearn.model_selection as skmodsel
a=[[i] for i in range(100)]
b=[0]*30;b.extend([1]*30);b.extend([2]*30);b.extend([3]*10)
K_strafold=skmodsel.StratifiedKFold(n_splits=10)
K_folds=skmodsel.KFold(n_splits=10)
for train_indices, test_indices in K_folds.split(a):
d={}
for i in train_indices:
d[b[i]]=d.setdefault(b[i],0)+1
print(d)
print("------------------")
for train_indices, test_indices in K_strafold.split(a,b):
d={}
for i in train_indices:
d[b[i]]=d.setdefault(b[i],0)+1
print(d)
d={}
for i in range(100):
d[b[i]]=d.setdefault(b[i],0)+1
print(d)
結(jié)果如下
{0: 20, 1: 30, 2: 30, 3: 10}
{0: 20, 1: 30, 2: 30, 3: 10}
{0: 20, 1: 30, 2: 30, 3: 10}
{0: 30, 1: 20, 2: 30, 3: 10}
{0: 30, 1: 20, 2: 30, 3: 10}
{0: 30, 1: 20, 2: 30, 3: 10}
{0: 30, 1: 30, 2: 20, 3: 10}
{0: 30, 1: 30, 2: 20, 3: 10}
{0: 30, 1: 30, 2: 20, 3: 10}
{0: 30, 1: 30, 2: 30}
------------------
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
{0: 27, 1: 27, 2: 27, 3: 9}
------------------
{0: 30, 1: 30, 2: 30, 3: 10}
我們?cè)O(shè)置的是十折，也就是說(shuō)將a分為十份，每次取一份來(lái)做test集
結(jié)果很明顯，類別標(biāo)簽里有0,1,2各30個(gè)，和10個(gè)3標(biāo)簽，他們的占比就是3:3:3:1
當(dāng)直接使用KFold的時(shí)候，則是每次取出十個(gè)同一列表標(biāo)簽的來(lái)做一折，看起來(lái)就好像是按著b的排列順序，第一次取0~9做第一折，10-19做第二折，以此類推
但當(dāng)使用Stra~的時(shí)候，每次取都是按著占比來(lái)取的，每一折都滿足3:3:3:1，測(cè)試集也是滿足這種
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://m.hztianpu.com/yun/40975.html
摘要：在本文中，我們將以的決策樹(shù)和隨機(jī)森林預(yù)測(cè)獲勝者。用決策樹(shù)和隨機(jī)森林預(yù)測(cè)獲勝者導(dǎo)入數(shù)據(jù)集并解析日期導(dǎo)入熊貓作為。這將幫助我們查看決策樹(shù)分類器的預(yù)測(cè)是否正確。混淆矩陣顯示了我們決策樹(shù)的正確和不正確的分類。 showImg(https://segmentfault.com/img/bVbcr26?w=750&h=383); 在本文中，我們將以Scikit-learn的決策樹(shù)和隨機(jī)森林預(yù)測(cè)NB...
摘要：貢獻(xiàn)者飛龍版本最近總是有人問(wèn)我，把這些資料看完一遍要用多長(zhǎng)時(shí)間，如果你一本書一本書看的話，的確要用很長(zhǎng)時(shí)間。為了方便大家，我就把每本書的章節(jié)拆開(kāi)，再按照知識(shí)點(diǎn)合并，手動(dòng)整理了這個(gè)知識(shí)樹(shù)。 Special Sponsors showImg(https://segmentfault.com/img/remote/1460000018907426?w=1760&h=200); 貢獻(xiàn)者：飛龍版...
摘要：安裝安裝用于數(shù)據(jù)科學(xué)的的最佳方法是使用發(fā)行版。但這只是展示了構(gòu)建數(shù)據(jù)科學(xué)問(wèn)題的不同方式中的機(jī)器學(xué)習(xí)這是一個(gè)重要的主題，機(jī)器學(xué)習(xí)正在風(fēng)靡世界，是數(shù)據(jù)科學(xué)家工作的重要組成部分。 作為編程界的頭牌名媛，Python平易近人的態(tài)度和精明婉約的靈動(dòng)深得各個(gè)大佬歡心。比如：人工智能、web開(kāi)發(fā)、爬蟲(chóng)、系統(tǒng)運(yùn)維、數(shù)據(jù)分析與計(jì)算等等。這幾位風(fēng)流多金的行業(yè)精英隨便哪個(gè)都能逆轉(zhuǎn)未來(lái)。 本文為你精心準(zhǔn)備了一...
閱讀 1079·2023-04-26 02:21
閱讀 2882·2021-09-24 09:47
閱讀 1668·2019-08-30 15:55
閱讀 2243·2019-08-30 14:01
閱讀 2401·2019-08-29 14:01
閱讀 2115·2019-08-29 12:46
閱讀 879·2019-08-26 13:27
閱讀 2030·2019-08-26 12:23
