def leave_one_out(X, y):
"""Estratégia de split train/test leave_one_out.
A ideia é centralizada em remover apenas 1 amostra e considerar o
teste. Todo o resto é o treinamento.
Como analogia k-fold para quando k=n, sendo n o número de linhas do dataset,
esses algoritmos se tornam idênticos.
"""
n = len(y)
c = y.shape[1] if len(y.shape) > 1 else 1
m = X.shape[1] if len(X.shape) > 1 else 1
dataset = concat(X, y)
np.random.shuffle(dataset)
folds = []
n = len(X)
for i in range(n):
dataset_test = dataset[i]
dataset_train = np.delete(dataset, i, axis=0)
X_train = dataset_train[:, :-c]
y_train = dataset_train[:, -c:]
X_test = dataset_test[:-c].reshape((1, m))
y_test = dataset_test[-c:].reshape((1, c))
fold = (X_train, X_test, y_train, y_test)
folds.append(fold)
return folds
def hold_out(X, y, test_size=0.30):
"""Esquema de particionamento de dados train/test split.
Particiona X,y de forma ordenada após embaralhamento baseado no ponto
de corte `test_size`.
"""
shape = y.shape
n = len(y)
c = shape[1] if len(shape) > 1 else 1
dataset = concat(X, y)
# dataset embaralhado (shuffled)
np.random.shuffle(dataset)
X_s, y_s = dataset[:, :-c], dataset[:, -c:]
test_index = round(test_size * n)
X_train = X_s[test_index:]
y_train = y_s[test_index:]
X_test = X_s[:test_index]
y_test = y_s[:test_index]
return X_train, X_test, y_train, y_test
def kfold(X, y, k=5):
"""Separa o conjunto de dados na forma de train/test em k partições (folds).
Cada elemento da lista possui (X_train, X_test, y_train, y_test).
O dataset de treinamento possui (k-1) folds participantes e o de
teste apenas um dos folds.
"""
shape = y.shape
n = len(y)
c = shape[1] if len(shape) > 1 else 1
dataset = concat(X, y)
np.random.shuffle(dataset)
splits = np.vsplit(dataset, k)
folds = []
for i in range(k):
fold_test = splits[i]
train_index = list(range(k))
train_index.remove(i)
train_list = []
for j in train_index:
train_list.append(splits[j])
fold_train = np.concatenate(train_list)
X_train = fold_train[:, :-c]
y_train = fold_train[:, -c:]
X_test = fold_test[:, :-c]
y_test = fold_test[:, -c:]
fold = (X_train, X_test, y_train, y_test)
folds.append(fold)
return folds