如何解决如何确保某个数据点不在分层交叉验证拆分的测试集中?
d = {'col1': [1,2,3,4,5,6,7,8],'col2': ['a','a','b','c','d','d']}
df = pd.DataFrame(data=d)
df
col1 col2
0 1 a
1 2 a
2 3 b
3 4 b
4 5 c
5 6 c
6 7 d
7 8 d
当我使用 k 折交叉验证时,我想确保 col2 中的值仅存在于训练集或测试集中。也就是说,在拆分期间,如果 df['col2'][0] = a
和 df['col2'][1] = a
,那么索引为 0 和 1 的行应该都在训练集中,否则在测试集中。不应该是第 0 行在训练集中,第 1 行在测试集中。
有没有简单的方法可以做到这一点?
编辑:有没有办法将 DataFrame 一分为二,这样每个部分都包含在第一个 DataFrame 中的 a
中具有值 col2
的所有数据点还是第二个但不是两个?我尝试使用 groupby
但它返回一个对象,当我将其转换为字典时,我只能通过键访问它,即 a,b,c,d
解决方法
您可以通过执行 GroupShuffleSplit
来确保变量值仅出现在集合中,如下所示:
from sklearn.model_selection import GroupShuffleSplit
import pandas as pd
d = {'col1': [1,2,3,4,5,6,7,8],'col2': ['a','a','b','c','d','d'],'label': [1,1,0]}
df = pd.DataFrame(data=d)
X = df[['col1','col2']]
y = df['label']
groups= df['col2']
gss = GroupShuffleSplit(n_splits=2,train_size=.8,random_state=42)
for train_idx,test_idx in gss.split(X,y,groups):
X_train,X_test = X.iloc[train_idx],X.iloc[test_idx]
y_train,y_test = y.iloc[train_idx],y.iloc[test_idx]
,
在@Antoine Dubuis 的帮助下,我找到了我想做的 sklearn 实现 - 称为 StratifiedGroupKFold。
截至 2021 年 7 月,它仍在开发中,但可以从开发/夜间版本使用。我建议创建一个单独的虚拟环境来使用它。
我已经使用过它,目前似乎可以使用,所以希望它很快以稳定版本发布。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。