`sklearn.model_selection`.StratifiedShuffleSplit¶

class sklearn.model_selection.StratifiedShuffleSplit¶

Validador cruzado ShuffleSplit estratificado

Proporciona índices de entrenamiento/prueba para dividir los datos en conjuntos de entrenamiento/prueba.

Este objeto de validación cruzada es una fusión de StratifiedKFold y ShuffleSplit, que devuelve pliegues aleatorios estratificados. Los pliegues se realizan conservando el porcentaje de muestras para cada clase.

Nota: al igual que la estrategia ShuffleSplit, las separaciones aleatorias estratificadas no garantizan que todos los pliegues sean diferentes, aunque esto es muy probable para conjuntos de datos de gran tamaño.

Más información en el Manual de usuario.

Parámetros

n_splitsint, default=10: Número de iteraciones remezcladas y separadas.
test_sizefloat o int, default=None: Si es punto flotante (float), debe estar entre 0.0 y 1.0 y representa la proporción del conjunto de datos a incluir en la división del tren. Si es int, representa el número absoluto de muestras de entrenamiento. Si es None, el valor se establece automáticamente en el complemento del tamaño de la prueba.
train_sizefloat o int, default=None: Si es float, debe estar entre 0.0 y 1.0 y representa la proporción del conjunto de datos a incluir en la división del tren. Si es int, representa el número absoluto de muestras de tren. Si es None, el valor se establece automáticamente en el complemento del tamaño de la prueba.
random_stateentero, instancia de o None, default=None: Controla la aleatoriedad de los índices de entrenamiento y prueba producidos. Pasa un int para una salida reproducible a través de múltiples llamadas a la función. Ver Glosario.

Ejemplos

>>> import numpy as np
>>> from sklearn.model_selection import StratifiedShuffleSplit
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([0, 0, 0, 1, 1, 1])
>>> sss = StratifiedShuffleSplit(n_splits=5, test_size=0.5, random_state=0)
>>> sss.get_n_splits(X, y)
5
>>> print(sss)
StratifiedShuffleSplit(n_splits=5, random_state=0, ...)
>>> for train_index, test_index in sss.split(X, y):
...     print("TRAIN:", train_index, "TEST:", test_index)
...     X_train, X_test = X[train_index], X[test_index]
...     y_train, y_test = y[train_index], y[test_index]
TRAIN: [5 2 3] TEST: [4 1 0]
TRAIN: [5 1 4] TEST: [0 2 3]
TRAIN: [5 0 2] TEST: [4 3 1]
TRAIN: [4 1 0] TEST: [2 3 5]
TRAIN: [0 5 1] TEST: [3 4 2]

Métodos

`get_n_splits`	Devuelve el número de iteraciones divididas en el validador cruzado
`split`	Generar índices para dividir los datos en conjunto de entrenamiento y de prueba.

get_n_splits()¶

Devuelve el número de iteraciones divididas en el validador cruzado

Parámetros

Xobjeto: Siempre ignorado, existe por compatibilidad.
yobjeto: Siempre ignorado, existe por compatibilidad.
groupsobjeto: Siempre ignorado, existe por compatibilidad.

Devuelve

n_splitsint: Devuelve el número de iteraciones divididas en el validador cruzado.

split()¶

Generar índices para dividir los datos en conjunto de entrenamiento y de prueba.

Parámetros

Xarray-like de forma (n_samples, n_features)

Datos de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.

Ten en cuenta que proporcionar y es suficiente para generar las divisiones y, por lo tanto, np.zeros(n_samples) puede ser utilizado como un marcador de posición para X en lugar de datos de entrenamiento reales.

yarray-like de forma (n_samples,) o (n_samples, n_labels)

La variable objetivo para los problemas de aprendizaje supervisado. La estratificación se realiza en base a las etiquetas y.

groupsobjeto

Siempre ignorado, existe por compatibilidad.

Produce

trainndarray: El entrenamiento establece los índices para esa división.
testndarray: Los índices del conjunto de pruebas para esa división.

Notas

Los separadores CV aleatorios pueden devolver resultados diferentes para cada llamada de separación. Puedes hacer que los resultados sean idénticos estableciendo random_state a un número entero.

Ejemplos usando `sklearn.model_selection.StratifiedShuffleSplit`¶

sklearn.model_selection.StratifiedShuffleSplit¶

Ejemplos usando sklearn.model_selection.StratifiedShuffleSplit¶

`sklearn.model_selection`.StratifiedShuffleSplit¶

Ejemplos usando `sklearn.model_selection.StratifiedShuffleSplit`¶