Python scikit学习交叉验证不平衡数据的欠采样

如何在scikit learn中为交叉验证生成随机折叠

假设我们有一个类的20个样本，另一个类的80个样本，我们需要生成N个训练集和测试集，每个训练集的大小为30，在每个训练集中，我们有50%的第一类和50%的第二类

我找到了这个讨论（）但我不知道如何获得折叠。理想情况下，我认为我需要这样一个功能：

cfolds = np.cross_validation.imaginaryfunction(
[list(itertools.repeat(1,20)), list(itertools.repeat(2,80))], 
n_iter=100, test_size=0.70)

---

我遗漏了什么？

在scikit中，没有直接的方法可以使用欠采样进行交叉验证，但有两种解决方法：

一,

使用

StratifiedCrossValidation

实现交叉验证，每个折叠中的分布反映了数据的分布，然后，您可以通过

class_weight

参数实现分类器中的不平衡减少，该参数可以使

auto

和欠采样/过采样类与其计数成反比，也可以传递带有显式权重的字典

二,

---

编写自己的交叉验证例程，使用它应该非常简单

分层DCV是一个不错的选择，但您可以使其更简单：

对与类别1相关的数据进行随机抽样（您需要选择15/20个样本）

第2类（15/80）也一样

重复100次或你需要多少

---

就这些。又快又好用

为什么不直接使用

random.sample（）

？出于同样的原因，我们有所有其他交叉验证功能！？您可以定义自己的交叉验证生成器：它应该是一个对象，具有返回

N

的

\uuu len\uuu

和生成

N

对列表

（训练索引，测试索引）

。谢谢@larsmans，这正是我需要的。