sklearn 中所有交叉验证数据集划分方式完整总结

一、总体分类（一共 6 大种）

sklearn 交叉验证划分全部来自：
from sklearn.model_selection import *

1. KFold（最基础 K 折交叉验证）

• 用途：普通回归、分类任务
• 特点：
  • 均匀分成 K 份
  • 轮流 1 份测试，K-1 份训练
• 不分层 → 类别不平衡时不推荐

kf = KFold(n_splits=5, shuffle=True, random_state=42)

2. StratifiedKFold（分层 K 折）⭐⭐⭐⭐⭐

• 用途：分类任务、类别不平衡
• 特点：
  • 每折都保持类别比例
• 分类任务首选！

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

3. ShuffleSplit（随机打乱划分）

• 用途：想自定义训练/测试比例
• 特点：
  • 不分成均等份
  • test_size 自己定
• 不分层

ss = ShuffleSplit(n_splits=5, test_size=0.2, random_state=42)

4. StratifiedShuffleSplit（分层随机打乱）⭐⭐⭐⭐⭐

• 用途：分类 + 想自定义 test 比例
• 你刚才用的就是这个！
• n_splits=1 等价 train_test_split(stratify=y)

sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2)

5. GroupKFold / LeaveOneGroupOut（按分组划分）

• 用途：防止同一组数据出现在训练集和测试集
• 例如：
  • 同一用户的数据
  • 同一患者的数据
  • 同一设备的数据
• 避免数据泄露

gkf = GroupKFold(n_splits=5)

6. TimeSeriesSplit（时间序列交叉验证）

• 用途：时间数据、股票、天气、时序预测
• 不能打乱！
• 未来数据不能用来训练过去

tscv = TimeSeriesSplit(n_splits=5)

二、最实用的「选择指南」（背会这张表）

三、最最重要的 3 个（工作 99% 用这三个）

四、一句话终极总结

• 回归 → KFold
• 分类 → StratifiedKFold / StratifiedShuffleSplit
• 分组数据 → GroupKFold
• 时间数据 → TimeSeriesSplit