在RandomizedSearchCV中使用支持集进行验证-学习？

Question

当验证数据已经作为一个阻碍集存在时，有什么方法可以从scikit学习中进行RandomizedSearchCV呢？我尝试将训练和验证数据连接起来，并定义cv参数，以便在两个集合合并的地方进行精确的拆分，但找不到RandomizedSearchCV接受的正确语法。

scikit-说：

cv : int, cross-validation generator or an iterable, optional
    Determines the cross-validation splitting strategy.
    Possible inputs for cv are:
      - None, to use the default 3-fold cross validation,
      - integer, to specify the number of folds in a `(Stratified)KFold`,
      - An object to be used as a cross-validation generator.
      - An iterable yielding train, test splits.

我希望，最后一种选择应该在某种程度上起作用，但我不知道我必须以哪种格式提交它。

任何帮助都是非常感谢的！

Answer 1

假设在train_indices中有训练样本的索引，在test_indices中有测试样本的索引。然后，将它们作为封装在列表中的元组传递给cv参数RandomizedSearchCV就足够了。(A)妇女权利和平等：

from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV


X, y = make_classification(n_samples=10)

param_distributions = {
    'n_estimators': [10, 20, 30, 40]
}

train_indices = [0, 1, 2, 3, 4]
test_indices = [5, 6, 7, 8, 9]
cv = [(train_indices, test_indices)]

search = RandomizedSearchCV(
    RandomForestClassifier(),
    param_distributions=param_distributions,
    cv=cv,
    n_iter=2
)

search.fit(X, y)

这将始终在相同的样本上训练和测试估计量。如果您的数据是存储的pandas数据，例如df，请使用df.index.values获取所需的索引。