一、 StratifiedKFlod与KFlod主要区别

StratifiedKFlod：分层采样，训练集与测试集中各类别样本的比列与原始数据中相同；（分类问题）
KFlod：分层采样，将数据分成训练集和测试集，不考虑训练集与测试集中各类别数据是否相同；（回归问题）

from sklearn.model_selection import KFold,StratifiedKFold

KFold（n_split, shuffle, random_state）
参数：
n_splits：表示将数据划分几等份
shuffle：在每次划分时，是否进行洗牌
若为False，其效果相当于random_state为整数(含零)，每次划分的结果相同
若为True，每次划分的结果不一样，表示经过洗牌，随机取样的
random_state：随机种子数，当设定值(一般为0)后可方便调参，因为每次生成的数据集相同

stratifiedKFold（n_split, shuffle, random_state）
参数：
n_splits：表示将数据划分几等份
shuffle：在每次划分时，是否进行洗牌
若为False，其效果相当于random_state为整数(含零)，每次划分的结果相同
若为True，每次划分的结果不一样，表示经过洗牌，随机取样的
random_state：随机种子数，当设定值(一般为0)后可方便调参，因为每次生成的数据集相同

二、 StratifiedKFlod与KFlod区别案列

import numpy as np
from sklearn.model_selection import KFold,StratifiedKFold
X=np.array([[1,2,3,4],[11,12,13,14],[21,22,23,24],[31,32,33,34],[41,42,43,44],[51,52,53,54],[61,62,63,64],[71,72,73,74]
])
y=np.array([1,1,0,0,1,1,0,0])KFold = KFold(n_splits=4,shuffle=True,random_state=2021)
StratifiedKFold = StratifiedKFold(n_splits=4,shuffle=True,random_state=2021)
print('---------------------KFlod---------------------------')
for train, test in KFold.split(X,y):print('Train: %s | test: %s' % (train, test))print('训练集标签类型情况： %s' % y[train])print('测试集标签类型情况： %s' % y[test])
print('----------------StratifiedKFold----------------------')
for train, test in StratifiedKFold.split(X,y):print('Train: %s | test: %s' % (train, test))print('训练集标签类型情况： %s' % y[train])print('测试集标签类型情况： %s' % y[test])# 输入结果如下
'''
---------------------KFlod---------------------------
Train: [0 1 2 4 5 6] | test: [3 7]
训练集标签类型情况： [1 1 0 1 1 0]
测试集标签类型情况： [0 0]
Train: [0 1 3 4 5 7] | test: [2 6]
训练集标签类型情况： [1 1 0 1 1 0]
测试集标签类型情况： [0 0]
Train: [2 3 4 5 6 7] | test: [0 1]
训练集标签类型情况： [0 0 1 1 0 0]
测试集标签类型情况： [1 1]
Train: [0 1 2 3 6 7] | test: [4 5]
训练集标签类型情况： [1 1 0 0 0 0]
测试集标签类型情况： [1 1]
----------------StratifiedKFold----------------------
Train: [0 1 2 3 4 6] | test: [5 7]
训练集标签类型情况： [1 1 0 0 1 0]
测试集标签类型情况： [1 0]
Train: [0 1 2 3 5 7] | test: [4 6]
训练集标签类型情况： [1 1 0 0 1 0]
测试集标签类型情况： [1 0]
Train: [0 3 4 5 6 7] | test: [1 2]
训练集标签类型情况： [1 0 1 1 0 0]
测试集标签类型情况： [1 0]
Train: [1 2 4 5 6 7] | test: [0 3]
训练集标签类型情况： [1 0 1 1 0 0]
测试集标签类型情况： [1 0]
'''

总结：
KFlod 适用于用户回归类型数据划分
stratifiedKFlod 适用于分类数据划分

参考：
https://blog.csdn.net/qq_34107425/article/details/105548800
https://blog.csdn.net/wqh_jingsong/article/details/77896449

StratifiedKFold(分类）和Kfold（回归）的区别相关推荐

分类(classification)是认知的基础、分类步骤及主要算法、分类与回归的区别、分类过程
分类(classification)是认知的基础.分类步骤及主要算法.分类与回归的区别.分类过程目录
分类和回归的区别和联系
先简单的说下吧,下面给出实际例子类和回归的区别在于输出变量的类型. 定量输出称为回归,或者说是连续变量预测: 定性输出称为分类,或者说是离散变量预测. 举个例子: 预测明天的气温是多少度,这是一个回 ...
树模型与线性模型的区别决策树分类和逻辑回归分类的区别【总结】
树模型与线性模型的区别在于: (一)树模型 ①树模型产生可视化的分类规则,可以通过图表表达简单直观,逐个特征进行处理,更加接近人的决策方式 ②产生的模型可以抽取规则易于理解,即解释性比线性模型强. ...
监督分类空白处也被分类了_监督学习(2)|本质是分类的“逻辑回归”
引言机器学习,绕不开预测问题,预测绕不开回归和分类.本篇介绍最常用的二分类算法:逻辑回归(Logistics Regression),当然随着算法的发展,它也可用于多分类问题.每一个算法都是许许多多 ...
机器学习中分类与聚类的本质区别
机器学习中分类与聚类的本质区别机器学习中有两类的大问题,一个是分类,一个是聚类. 在我们的生活中,我们常常没有过多的去区分这两个概念,觉得聚类就是分类,分类也差不多就是聚类,下面,我们就具体来研究下 ...
逻辑回归二分类算法python_机器学习第七周--二分类算法逻辑回归
一.Logistic分类算法逻辑回归(Logistic Regression, LR)是传统机器学习中的一种分类模型,由于算法的简单和高效,解释性好以及容易扩展等优点,被广泛应用于点击率预估(CTR ...
决策树(分类树、回归树）
决策树前言:第一篇博客,最近看完决策树,想着归纳一下,也方便自己以后回顾.写的会比较全面一些,可能会有很多不太正确的地方,欢迎大家交流指正 : ) 决策树模型: 决策树模型是运用于分类以及回归的一种 ...
SVM与Logistic回归的区别
SVM与Logistic回归的区别 1.相同点 1.1 都是分类算法 1.2 如果不考虑核函数,LR和SVM都是线性分类算法 1.3 LR和SVM都是监督学习算法. 1.4 LR和SVM都是判别模型. ...
分类模型——Softmax回归
分类模型--Softmax回归第一章机器学习是什么第二章深度学习是什么第三章前馈神经网络第四章卷积神经网络第五章交叉熵函数文章目录分类模型--Softmax回归前言 Soft ...
『迷你教程』绝对能看懂的分类问题和回归问题白话版
文章目录内容介绍函数近似分类预测建模回归预测建模分类与回归在分类和回归问题之间转换内容介绍老生常谈的话题分类问题和回归问题之间有一个重要的区别.从根本上说,分类是关于预测标签,回归是关 ...

StratifiedKFold(分类）和Kfold（回归）的区别

一、 StratifiedKFlod与KFlod主要区别

二、 StratifiedKFlod与KFlod区别案列

StratifiedKFold(分类）和Kfold（回归）的区别相关推荐

最新文章

热门文章