以4-fold validation training為例

(1) 給定數(shù)據(jù)集data和標(biāo)簽集label

樣本個數(shù)為

sampNum = len(data)

(2) 將給定的所有examples分為10組

每個fold個數(shù)為

foldNum = sampNum/10  

(3) 將給定的所有examples分為10組

參考scikit-learn的3.1節(jié)：Cross-validation?

 1 import np
 2 from sklearn import cross_validation
 3 # dataset
 4 
 5 data = np.array([[1,3],[2,4],[3.1,3],[4,5],[5.0,0.3],[4.1,3.1]])
 6 label = np.array([0,1,1,1,0,0])
 7 sampNum= len(data)
 8 
 9 # 10-fold （9份為training，1份為validation）
10 kf = KFold(len(data), n_folds=4)
11 iFold = 0
12 for train_index, val_index in kf:
13     iFold = iFold+1
14     X_train, X_val, y_train, y_val = data[train_index], data[val_index], label[train_index], label[val_index] # 這里的X_train，y_train為第iFold個fold的訓(xùn)練集，X_val，y_val為validation set

?

　　

給定的數(shù)據(jù)集如下：?

???

?

所有樣本的指標(biāo)集為：

0

1

2

3

4

5

6

7

每個iFold(共4個)的訓(xùn)練集和validation set的index分別為：

?iFold = 0 （訓(xùn)練集中包含6個examples，validation set 中包含3個examples）

iFold = 1

iFold = 2

iFold = 3

每個iFold的訓(xùn)練集和validation set分別為：

X_train, X_val, y_train, y_val = data[train_index], data[val_index], label[train_index], label[val_index]

　　

?

轉(zhuǎn)載于:https://www.cnblogs.com/lutingting/p/5156475.html

總結(jié)

以上是生活随笔為你收集整理的Python如何进行cross validation training的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。