sklearn.model_selection.GroupShuffleSplit

Question

因此，我需要使用预定义的组生成测试/训练/验证拆分。我不想使用 LeavePGroupsOut，因为我需要根据所需的百分比将数据分成训练和验证集。在 GroupShuffleSplit 的文档中，对于test_size参数，是这样说的：

test_size : float, int, None, optional 如果是float，应该在0.0到1.0之间，代表数据集在测试分割中的比例。如果是 int，则表示测试样本的绝对数量。如果为 None，则该值设置为列车大小的补码。默认情况下，该值设置为 0.2。默认值将在 0.21 版中更改。仅当未指定 train_size 时，它将保持 0.2，否则它将补充指定的 train_size。

然而，事实并非如此，如以下代码所示：

tr, ts = next(GroupShuffleSplit(n_splits=1, test_size=3).split(TR_set, groups=tr_groups))

print(tr)

print(ts)

例如打印出来：

[  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17

  18  19  20  21  22  23  24  25  28  29  30  31  32  33  34  35  36  37

  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55

  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73

  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  91  92  93

  99 101 102 103 104 105 106 107]

[ 26  27  89  90  94  95  96  97  98 100]

正如您在上面看到的，测试大小不是 3，而是大于 3。这几乎总是如此。我检查了指数组。显然，如果 test_size 是一个整数，它表示测试组的绝对数量，而不是 samples。我认为文档具有误导性。

此外，当 test_size 是浮点数时，它主要不考虑指定的比率。这可能是由于组中的样本大小不相等，但必须有一个注释/警告来指定在不相等的组大小与 test_size 比率相结合的情况下它遵循什么样的行为。

tr, ts = next(GroupShuffleSplit(n_splits=1, test_size=0.1).split(TR_set, groups=tr_groups))

print(len(tr))

print(len(ts))

这使：

70

38

其中测试大小是整个集合的 35%（它应该是 10%）。

所以，要么我遗漏了什么，要么文档只是错误的描述。

Answer 1

我在 GroupShuffleSplit 文档中找到了这个：注意：参数 test_size 和 train_size 指的是组，而不是像 ShuffleSplit 中的样本。因此， test_size 预计是组数，这也是您在结果中发现的。

Answer 2

没有错误，但文档在某些方面不正确。我在scikit-learn 的 github 页面中为此主题打开了一个问题。