如何用Python在Scikit-learn中自定义交叉验证的分割策略？-Python教程-PHP中文网

必须自己写 split 方法当内置 stratifiedkfold、timeseriessplit 无法满足组约束、时间顺序或外部元数据划分需求时，需返回符合接口的 (train_index, test_index) 元组，类型为 int 型一维 numpy.ndarray，且不可重叠或为空。

如何用python在scikit-learn中自定义交叉验证的分割策略？

什么时候必须自己写 `split` 方法？

当内置的 StratifiedKFold、TimeSeriesSplit 无法满足数据结构约束时，比如：样本间存在不可分割的组（如同一患者的多次测量）、时间依赖不能打乱顺序、或需按外部元数据（如实验批次）划分训练/验证集。这时 sklearn.model_selection.cross_val_score 或 GridSearchCV 的 cv 参数必须接收一个可迭代对象，每次 yield 一对 (train_index, test_index) 数组。

自定义分割器必须满足的接口要求

它得是可迭代的，且每次产出两个一维 numpy.ndarray，类型为 int，内容是原始数据索引。不能返回布尔掩码、DataFrame 索引或带重复/越界值的数组。常见错误包括：

忘记用 np.array 包装索引列表，导致 ValueError: Found array with dim 0. Expected >= 2
yield 的 test_index 为空或与 train_index 重叠
没实现 __len__，导致 cross_val_score 无法预估折数而报 TypeError: object of type 'XXX' has no len()

推荐直接继承 sklearn.model_selection.KFold 并重写 _iter_test_indices，或更简单地定义一个生成器函数——只要它能被 list() 转成折列表即可。

一个按 patient_id 分组的示例

假设你有 X 和 y，还有一个 patient_id 列表，要求同一患者的所有样本只能出现在训练集或测试集之一：

Python Testing

Python 测试速查：运行 pytest、使用 mock/patch、参数化、fixtures、异步、覆盖率测试。

下载

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
import numpy as np
<p>def group_kfold_split(patient_ids, n_splits=3):
unique_patients = np.unique(patient_ids)
np.random.shuffle(unique_patients)  # 可选，但建议打乱
fold_size = len(unique_patients) // n_splits
for i in range(n_splits):
val_patients = unique_patients[i<em>fold_size:(i+1)</em>fold_size]
train_mask = ~np.isin(patient_ids, val_patients)
test_mask = np.isin(patient_ids, val_patients)
yield np.where(train_mask)[0], np.where(test_mask)[0]</p><h1>使用</h1><p>cv_splits = list(group_kfold_split(patient_ids=patient_ids, n_splits=3))
scores = cross_val_score(RandomForestClassifier(), X, y, cv=cv_splits)
</p>

注意：这里用了 list(...) 强制展开生成器，因为 cross_val_score 内部会多次遍历 cv；若直接传生成器，第二轮遍历时将为空。