【sklearn】KFold、StratifiedKFold、GroupKFold的区别

平时使用或者数据竞赛中经常出现这几种交叉验证方式，那么他们的区别呢？
[1]中给出了很多不同交叉验证的区别，本文就主要讲 KFold、StratifiedKFold、GroupKFold的区别

1、KFold

>>> import numpy as np
>>> from sklearn.model_selection import KFold

>>> X = ["a", "b", "c", "d"]
>>> kf = KFold(n_splits=2)
>>> for train, test in kf.split(X):
...     print("%s %s" % (train, test))
[2 3] [0 1]
[0 1] [2 3]
1
2
3
4
5
6
7
8
9

kfold交叉验证，直接随机的将数据划分为k折。看代码中的划分，只需要一个X就可以决定了，不受class和group这两个影响。

class和group分别为数据的标签和我们给数据的分组。下面分别介绍如果受影响的代码：

2、StratifiedKFold

Stratified它会根据数据集的分布来划分，使得 划分后的数据集的目标比例和原始数据集近似，也就是构造训练集和测试集分布相同的交叉验证集

>>> from sklearn.model_selection import StratifiedKFold

>>> X = np.ones(10)
>>> y = [0, 0, 0, 0, 1, 1, 1, 1, 1, 1]
>>> skf = StratifiedKFold(n_splits=3)
>>> for train, test in skf.split(X, y):
...     print("%s %s" % (train, test))
[2 3 6 7 8 9] [0 1 4 5]
[0 1 3 4 5 8 9] [2 6 7]
[0 1 2 4 5 6 7] [3 8 9]
1
2
3
4
5
6
7
8
9
10

3、GroupKFold

有时我们会将数据分组，这时候GroupKFold可能派上用场。

GroupKFold 会保证同一个group的数据不会同时出现在训练集和测试集上。因为如果训练集中包含了每个group的几个样例，可能训练得到的模型能够足够灵活地从这些样例中学习到特征，在测试集上也会表现很好。但一旦遇到一个新的group它就会表现很差。

>>> from sklearn.model_selection import GroupKFold

>>> X = [0.1, 0.2, 2.2, 2.4, 2.3, 4.55, 5.8, 8.8, 9, 10]
>>> y = ["a", "b", "b", "b", "c", "c", "c", "d", "d", "d"]
>>> groups = [1, 1, 1, 2, 2, 2, 3, 3, 3, 3]

>>> gkf = GroupKFold(n_splits=3)
>>> for train, test in gkf.split(X, y, groups=groups):
...     print("%s %s" % (train, test))
[0 1 2 3 4 5] [6 7 8 9]
[0 1 2 6 7 8 9] [3 4 5]
[3 4 5 6 7 8 9] [0 1 2]
1
2
3
4
5
6
7
8
9
10
11
12

参考文献

[1] https://zhuanlan.zhihu.com/p/52515873