scikit学习中的分层训练/验证/测试拆分

Question

这里已经描述了如何通过train_test_split (Stratified Train/Test-split in scikit-learn)在scikit中进行分层训练/测试拆分，以及如何通过np.split (How to split data into 3 sets (train, validation and test)?)随机训练/验证/测试拆分。但是，如何进行分层训练/验证/测试拆分呢？

对于分层(在类标签上)训练/验证/测试拆分，我想到的最接近的近似方法如下，但我怀疑有一种更好的方法可以在一个函数调用中实现这一点，或者以一种更准确的方式实现：

假设我们想要进行60/20/20训练/验证/测试拆分，那么我现在的方法是首先进行60/40分层拆分，然后在前40个分区上进行50/50分层拆分，最终得到60/20/20分层拆分。

from sklearn.cross_validation import train_test_split
SEED = 2000
x_train, x_validation_and_test, y_train, y_validation_and_test = train_test_split(x, y, test_size=.4, random_state=SEED)
x_validation, x_test, y_validation, y_test = train_test_split(x_validation_and_test, y_validation_and_test, test_size=.5, random_state=SEED)

如果我的方法是正确的，或者如果你有更好的方法，请回来。

谢谢

Answer 1

解决方案是只使用StratifiedShuffleSplit两次，如下所示：

from sklearn.model_selection import StratifiedShuffleSplit

split = StratifiedShuffleSplit(n_splits=1, test_size=0.4, random_state=42)
for train_index, test_valid_index in split.split(df, df.target):
    train_set = df.iloc[train_index]
    test_valid_set = df.iloc[test_valid_index]

split2 = StratifiedShuffleSplit(n_splits=1, test_size=0.5, random_state=42)
for test_index, valid_index in split2.split(test_valid_set, test_valid_set.target):
    test_set = test_valid_set.iloc[test_index]
    valid_set = test_valid_set.iloc[valid_index]

Answer 2

是的，这正是我要做的--运行两次train_test_split()。首先可以考虑将训练集拆分出来，然后训练集可能会被分成不同的折叠线或阻挡线。

事实上，如果您最终使用包含内置交叉验证的scikit模型测试您的模型，您甚至可能不必再次显式运行train_test_split()。如果你使用(非常方便的) model_selection.cross_val_score函数，也是一样的。