stratified cross validation对于分类问题，是按照标签比例生成每个fold，使得每个fold中标签的比例都是和原数据集一样的。那么回归问题怎么处理？如何按照比例？按照什么比例？
2个回答
可能这个问题还没定论，根据sklearn中的StratifiedKFold也尚未实现针对于回归问题的Stratified Cross Validation。
一种比较合理的能够实现Stratified Cross Validation的方法是对所有真实值按照四等分点分成四份，然后从这四等分的子集中随机划分K组，再将它们重新组合，成为那K个fold的数据集。这样能保证每个fold中真值的分布比较接近。
高代兄
2017-04-17 08:02
也可以从feature中挑一个categorical feature，然后按照这个feature中各个类别的比例来生成k个fold的数据。
ljljlj
2017-09-15 09:24
相关主题
十折交叉验证
1回答
k-fold cross validation的k怎么选
2回答
测试集和验证集的区别？
4回答
Stratified k-fold cross validation(分层交叉验证)
1回答
micro和macro F1 score分别是什么意思？
2回答
交叉验证是如何进行的？
1回答
机器学习里的ppv是什么意思？
1回答
F1值会受到不平衡数据的影响吗？
2回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！
