python - 为什么用 shuffle 调用 KFold 生成器会给出相同的索引？

Question

使用 sklearn，当您创建一个新的 KFold 对象并且 shuffle 为真时，它将产生一个不同的、新的随机折叠索引。但是，给定 KFold 对象的每个生成器都会为每个折叠提供相同的索引，即使 shuffle 为 true 也是如此。为什么会这样？

示例:

from sklearn.cross_validation import KFold
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4])
kf = KFold(4, n_folds=2, shuffle = True)
​
for fold in kf:
    print fold
​
print '---second round----'
​
for fold in kf:
    print fold

输出:

(array([2, 3]), array([0, 1]))
(array([0, 1]), array([2, 3]))
---second round----#same indices for the folds
(array([2, 3]), array([0, 1]))
(array([0, 1]), array([2, 3]))

这个问题的动机是对此 answer 的评论.我决定将其拆分为一个新问题，以防止该答案变得太长。

Answer 1

具有相同 KFold 对象的新迭代不会重新排列索引，这只会在对象实例化期间发生。 KFold() 永远看不到数据，但知道样本数，因此它使用它来打乱索引。来自 KFold 实例化期间的代码:

if shuffle:
    rng = check_random_state(self.random_state)
    rng.shuffle(self.idxs)

每次调用生成器迭代每个折叠的索引时，它将使用相同的混洗索引并以相同的方式划分它们。

看看 code对于 KFold _PartitionIterator(with_metaclass(ABCMeta)) 的基类，其中定义了 __iter__。基类中的__iter__ 方法调用KFold 中的_iter_test_indices 来划分和产生每个折叠的train 和test 索引。