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）

你的数据场景	应该用哪个划分？
普通回归任务	KFold
分类任务（均衡/不均衡）	StratifiedKFold
分类任务 + 自定义 test 比例	StratifiedShuffleSplit
防止同一用户/患者泄露	GroupKFold
时间序列	TimeSeriesSplit
只想简单切一次 train/test	train_test_split(stratify=y)

---

三、最最重要的 3 个（工作 99% 用这三个）

1. StratifiedKFold → 分类 K 折（最常用）
2. StratifiedShuffleSplit → 分类随机切分（你正在用）
3. GroupKFold → 防止分组数据泄露

---

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

---