构建基于max_depth的验证曲线时遇n_splits报错求助

问题根源 #

• 代码存在参数冲突：你已经定义了cv = StratifiedKFold(n_splits=5,...)，但调用validation_curve时又传入cv=10，这会直接覆盖之前的cv配置，实际使用的是n_splits=10的分层交叉验证。
• 报错核心原因：数据集中至少有一个类别的样本数量小于10，而StratifiedKFold要求每个折必须包含所有类别，因此n_splits不能超过最小类别样本数。

解决步骤 #

1. 统一交叉验证参数 #

删除validation_curve中的cv=10，改用预先定义好的cv对象，确保使用n_splits=5的配置：

from sklearn.tree import DecisionTreeClassifier
import numpy as np
from sklearn.model_selection import validation_curve, StratifiedKFold

model = DecisionTreeClassifier(random_state=123)
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=132)
train_scores, valid_scores = validation_curve(
    model, X, y, 
    param_name="max_depth", 
    param_range=np.arange(1, 20), 
    cv=cv,  # 使用预先定义的cv对象
    scoring="accuracy",
    n_jobs=-1
)

2. 检查数据集类别分布 #

先确认每个类别的样本数量，确保n_splits不超过最小类别的样本数：

import pandas as pd
# 查看每个类别的样本量
print(pd.Series(y).value_counts())

如果输出中最小的类别样本数小于5，需要进一步降低n_splits（比如设为3），或者换用其他交叉验证方法。

3. 小样本/不平衡数据的替代方案 #

如果最小类别样本数极少（比如小于5），可以使用StratifiedShuffleSplit，它不要求每个折包含所有类别，更适合小样本场景：

from sklearn.model_selection import StratifiedShuffleSplit

cv = StratifiedShuffleSplit(n_splits=10, test_size=0.2, random_state=132)
train_scores, valid_scores = validation_curve(
    model, X, y, 
    param_name="max_depth", 
    param_range=np.arange(1, 20), 
    cv=cv,
    scoring="accuracy",
    n_jobs=-1
)

内容的提问来源于stack exchange，提问作者liewife