Python scikit学习中的随机分层k倍交叉验证？

是否有任何内置方法让scikit学习执行混合分层k折叠交叉验证？这是最常见的CV方法之一，我很惊讶我没有找到一个内置的方法来实现这一点

我看到

cross\u validation.KFold（）

有一个洗牌标志，但它不是分层的。不幸的是，

cross\u validation.StratifiedKFold（）

没有这样的选项，

cross\u validation.StratifiedShuffleSplit（）

不会产生不相交的折叠

我错过什么了吗？这是计划吗

---

（显然我可以自己实现）

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

提供列车/测试索引以分割列车测试集中的数据

此交叉验证对象是分层折叠和 ShuffleSplit，返回分层随机折叠 通过保留每个类的样本百分比来生成

注意：与ShuffleSplit策略一样，分层随机拆分 不要保证所有折叠都会不同，尽管这是 对于大型数据集，仍然非常可能。

---

“

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"

---

当前版本0.15中引入了

交叉验证.StratifiedKFold

的洗牌标志：

这可以在变更日志中找到：

用于交叉验证的洗牌选项。分层折叠。杰弗里 布莱克本

---

以下是我将分层洗牌分解为训练集和测试集的实现：

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]

此代码输出：

[1 2 3]
[1 2 3]

---

正如我在问题中所写的，StratifiedShuffleSplit（）不执行StratifiedKFold（）的洗牌版本，即在StratifiedKFold（）之前进行洗牌。你的答案的最后一句甚至提到了这一点。KFold CV要求折叠之间没有交集，并且它们的并集是整个数据集。啊，是的，折叠不保证分离。对不起，没有读到你问题的结尾。。