LeaveOneOut

class sklearn.model_selection.LeaveOneOut

留一出交叉验证器。

提供训练/测试索引以拆分训练/测试集中的数据。每个样本作为测试集（单例）使用一次，而其余样本形成训练集。

注意： LeaveOneOut() 相当于 KFold(n_splits=n) 和 LeavePOut(p=1) 哪里 n 是样本数量。

由于测试集数量较多（与样本数量相同），这种交叉验证方法的成本可能非常高。对于大型数据集，应该倾向于 KFold , ShuffleSplit 或 StratifiedKFold .

阅读更多的 User Guide .

参见

LeaveOneGroupOut

用于根据数据集的显式、特定于领域的分层拆分数据。

GroupKFold

具有非重叠组的K折叠迭代器变体。

示例

>>> import numpy as np
>>> from sklearn.model_selection import LeaveOneOut
>>> X = np.array([[1, 2], [3, 4]])
>>> y = np.array([1, 2])
>>> loo = LeaveOneOut()
>>> loo.get_n_splits(X)
2
>>> print(loo)
LeaveOneOut()
>>> for i, (train_index, test_index) in enumerate(loo.split(X)):
...     print(f"Fold {i}:")
...     print(f"  Train: index={train_index}")
...     print(f"  Test:  index={test_index}")
Fold 0:
  Train: index=[1]
  Test:  index=[0]
Fold 1:
  Train: index=[0]
  Test:  index=[1]

get_metadata_routing()

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

返回:

routingMetadataRequest

A MetadataRequest 封装路由信息。

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

返回交叉验证器中分裂迭代的数量。

参数:

X形状类似阵列（n_samples，n_features）

训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y对象

总是被忽略，存在是为了兼容性。

groups对象

总是被忽略，存在是为了兼容性。

返回:

n_splitsint

返回交叉验证器中分裂迭代的数量。

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

生成索引将数据拆分为训练集和测试集。

参数:

X形状类似阵列（n_samples，n_features）

训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

y形状类似阵列（n_samples，）

监督学习问题的目标变量。

groups对象

总是被忽略，存在是为了兼容性。

收益率:

trainndarray

训练为该分裂设置了指数。

testndarray

测试为该分裂设置了指数。