Python 如何使用SKlearn使用Leave-one-Out方法预测多列Y？

我有一个示例数据框，如下所示。Y列都包含0,1个二进制结果。X是从X_1到X_13开始的列

     x_1 x_2  ... x_13   y_1  y_2  y_3 ... y_48 
 1   0.1 0.2  .... 0.1     0    1    0 .... 0
 2   0.5 0.2 ....  0.2     1    0    1 .... 1
     ...
100  0.1 0.0 ....  0.5     0    1    0  ....0

我不熟悉机器学习方法。我打算用漏掉一个的方法来计算F1的分数。如果不使用Leave one out，我们可以使用以下代码：

accs = []

for i in range(48):
    Y = df['y_{}'.format(i+1)]
    model = RandomForest()
    model.fit(X, Y)
    predicts = model.predict(X)
    accs.append(f1(predicts,Y))
    
print(accs)

结果打印出[1,1,1…1]。我如何合并一个遗漏方法以确保我们只打印出F1平均分数，如0.45？

示例数据集：

import pandas as pd
import numpy as np
np.random.seed(111)

df = pd.concat([
pd.DataFrame(np.random.uniform(0,1,(100,10)),
columns = ["x_" + str(i) for i in np.arange(1,11)]),
pd.DataFrame(np.random.binomial(1,0.5,(100,5)),
columns = ["y_" + str(i) for i in np.arange(1,6)])
],axis=1)

X = df.filter(like="x_")

然后，您可以使用

cross\u val\u predict

和

KFold

来获得每次折叠的预测。将分割数设置为与观察数相同的数目：

from sklearn.model_selection import cross_val_predict, KFold
from sklearn.ensemble import RandomForestClassifier 
from sklearn.metrics import f1_score

accs = []
result = []
loocv = KFold(len(X))

for i in range(5):
    Y = df['y_{}'.format(i+1)]
    model = RandomForestClassifier()
    fold_pred = cross_val_predict(model, X, Y, cv=loocv)
    result.append(f1_score(Y,predicts))

    model.fit(X, Y)
    predicts = model.predict(X)
    accs.append(f1_score(Y,predicts))
    

print(result)
[0.5, 0.5871559633027522, 0.5585585585585585, 0.5585585585585585, 0.5871559633027522]

---

你能简单地说明什么是X吗？是不是所有的变量都有x_？是的，没错。X是以X_1开始并以X_13结束的所有列。