Python机器学习基础教程

200

｜

第

5

章

数据分组的这种例子常见于医疗应用，你可能拥有来自同一名病人的多个样本，但想要将

其泛化到新的病人。同样，在语音识别领域，你的数据集中可能包含同一名发言人的多条

记录，但你希望能够识别新的发言人的讲话。

下面这个示例用到了一个由 groups 数组指定分组的模拟数据集。这个数据集包含

12

个数

据点，且对于每个数据点，groups 指定了该点所属的分组（想想病人的例子）。一共分成

4

个组，前

3

个样本属于第一组，接下来的

4

个样本属于第二组，以此类推：

In[16]:

from sklearn.model_selection import GroupKFold

# 创建模拟数据集

X, y = make_blobs(n_samples=12, random_state=0)

# 假设前3个样本属于同一组，接下来的4个属于同一组，以此类推

groups = [0, 0, 0, 1, 1, 1, 1, 2, 2, 3, 3, 3]

scores = cross_val_score(logreg, X, y, groups, cv=GroupKFold(n_splits=3))

print("Cross-validation scores:\n{}".format(scores))

Out[16]:

Cross-validation scores:

[ 0.75 0.8 0.667]

样本不需要按分组进行排序，我们这么做只是为了便于说明。基于这些标签计算得到的划

分如图

5-4

所示。

如你所见，对于每次划分，每个分组都是整体出现在训练集或测试集中： ...