python - 在 scikit-learn 的 RandomizedSearchCV 中使用 hold-out-set 进行验证？

Question

当验证数据已经作为保留集存在时，是否有任何方法可以从 scikit-learn 执行 RandomizedSearchCV？我尝试连接训练数据和验证数据并定义 cv 参数以准确拆分两个集合的合并位置，但找不到 RandomizedSearchCV 接受的正确语法。

scikit-learn 文档说:

cv : int, cross-validation generator or an iterable, optional
    Determines the cross-validation splitting strategy.
    Possible inputs for cv are:
      - None, to use the default 3-fold cross validation,
      - integer, to specify the number of folds in a `(Stratified)KFold`,
      - An object to be used as a cross-validation generator.
      - An iterable yielding train, test splits.

我希望最后一个选项能以某种方式起作用，但我不知道我必须以哪种格式提交它。

感谢任何帮助!

Answer 1

假设您在 train_indices 中有训练样本的索引，在 test_indices 中有测试样本的索引。然后，将这些作为包裹在列表中的元组传递给 RandomizedSearchCV 的 cv 参数就足够了。要演示的 MWE:

from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV


X, y = make_classification(n_samples=10)

param_distributions = {
    'n_estimators': [10, 20, 30, 40]
}

train_indices = [0, 1, 2, 3, 4]
test_indices = [5, 6, 7, 8, 9]
cv = [(train_indices, test_indices)]

search = RandomizedSearchCV(
    RandomForestClassifier(),
    param_distributions=param_distributions,
    cv=cv,
    n_iter=2
)

search.fit(X, y)

这将始终在相同的样本上训练和测试估计器。如果您的数据存储在 pandas 数据帧中，例如df，使用df.index.values获取你需要的索引。