是否

class sklearn.cross_validation.ShuffleSplit(    n,     n_iterations=10,     test_fraction=0.10000000000000001,     indices=True,     random_state=None)

是scikit-learn中进行10*10折交叉验证的正确方法？（通过将random_state设置为10个不同的数字来实现）

因为我在Stratified K-Fold或K-Fold中没有找到random_state参数，并且K-Fold对于相同数据的分割总是相同的。

如果ShuffleSplit是正确的，那么一个担忧是它提到

注意：与其他交叉验证策略不同，随机分割不能保证所有折叠都是不同的，尽管对于大型数据集来说，这种情况仍然非常可能

对于10*10折交叉验证，这总是如此吗？

回答：

我不确定你所说的10*10交叉验证是什么意思。你提供的ShuffleSplit配置将使你调用估算器的fit方法10次。如果你通过显式使用外部循环调用它10次，或者如果直接在一个循环中使用100次，并保留10%的数据用于测试，你可以使用以下方式：

>>> ss = ShuffleSplit(X.shape[0], n_iterations=100, test_fraction=0.1,...     random_state=42)

如果你想进行10次StratifiedKFold，每次k=10，你可以在每次运行之间对数据集进行洗牌（这将导致总共100次对fit方法的调用，每次调用fit时使用90%的训练数据和10%的测试数据）：

>>> from sklearn.utils import shuffle>>> from sklearn.cross_validation import StratifiedKFold, cross_val_score>>> for i in range(10):...    X, y = shuffle(X_orig, y_orig, random_state=i)...    skf = StratifiedKFold(y, 10)...    print cross_val_score(clf, X, y, cv=skf)