如何确保来自特定组的所有样本都在 sklearn cross_val_predict 中的 train/test 中？

Question

我有一个数据框，其中每个样本都属于一个组。例如：

df = a b c group
     1 1 2  G1
     1 6 1  G1
     8 2 8  G3
     2 8 7  G2
     1 9 2  G2
     1 7 2  G3
     4 0 2  G4
     1 5 1  G4
     6 7 8  G5
     3 3 7  G6
     1 2 2  G6
     1 0 5  G7

我想运行 cross_val_predict，同时确保来自同一组的所有样本都在测试中或所有样本都在训练中。我想将数据分成 4 份 - 但要确保来自同一组的所有行都在测试或训练中。

因此，例如，第 0,1 行和第 4,5 行将在序列中，但第 3、6 行 (G3) 将在测试中

这可能吗？我在文档中看到了 group arg，但不是很清楚，我没有找到任何示例。

Answer 1

使用GroupKFold as parameter for cv in cross_val_predict():

scores = cross_val_score(model, X, y, groups, cv=GroupKFold())

请注意，groups 数组表示数据中我们希望位于同一 training/test 集合中的组。它不是 class 个标签的数组。

例如：

from sklearn.datasets import make_blobs
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GroupKFold, cross_val_score

X, y = make_blobs(n_samples=15, random_state=0)

model = LogisticRegression()
groups = [0,0,0,1,1,1,1,2,2,2,2,3,3,3,3]
scores = cross_val_score(model, X, y, groups, cv=GroupKFold(n_splits=3))

print('cross val scores: {}'.format(scores))

如何确保来自特定组的所有样本都在 sklearn cross_val_predict 中的 train/test 中？

How to ensure all samples from specific group are all togehter in train/test in sklearn cross_val_predict?

python

python-3.x

scikit-learn

cross-validation

train-test-split