在sklearn中使用标签拆分火车和测试集？

Question

我有一个扩充的数据集，其中有一个列表label将原始数据及其扩充分组。 sklearn中是否有一种类似于train_test_split()的方法，但可以保证在两个子集中都不会出现相同的标签？我可以想到的一种类似方法是LabelKFold()。

例如，我有x = [[1,1], [2,2], [3,3], [4,4], [5,5], [6,6]]，y = [0, 0, 1, 1, 1, 1]，label = [0, 0, 1, 1, 2, 2]。

我希望将[1,1]和[2,2]（标签相同）分成相同的子集。

Answer 1

您可以使用GroupKFold来执行此操作。这是您进行66/33分割的方法。

from sklearn.model_selection import GroupKFold

gkf = GroupKFold(n_splits=3)
train, test = next(gkf.split(X, y, groups=label))
X_train = X[train]
y_train = y[train]
X_test = X[test]
y_test = y[test]