CatBoost randomized_search如何传入指定训练/测试拆分的cv参数

根据CatBoost官方定义，randomized_search的cv参数支持传入预定义的数据集拆分，跳过默认的交叉验证逻辑；该传参方式要求传入可生成(训练索引数组, 测试索引数组)元组的可迭代对象。

原有写法的错误点 #

之前的传参cv={train_index,test_index}不符合要求，核心问题有两个：

• Python集合是无序结构，方法无法区分传入的两个索引哪个对应训练集、哪个对应测试集
• 哪怕把集合换成裸元组(train_index, test_index)也不符合格式要求，方法会将其识别为多组拆分的迭代序列，而非单组固定拆分。

正确写法 #

哪怕只使用1组固定训练/验证拆分，也需要将(训练索引, 测试索引)的元组包裹在列表（最常用的可迭代结构）中传入。以10行数据、前5行训练后5行验证的场景为例，正确代码如下：

import numpy as np

# 提取对应索引，转成numpy数组可避免pandas索引类型兼容问题
train_index = np.array(X[0:5].index)
test_index = np.array(X[5:10].index)

a_search = model.randomized_search(
    param_distributions=params,
    X=X,
    y=y,
    n_iter=5,
    # 核心：单组拆分元组放在列表中传入，完全跳过交叉验证
    cv=[(train_index, test_index)]
)

补充说明 #

• 按上述方式传参后，参数搜索全程只会使用指定的固定行范围做训练和验证，不会执行多折数据切分，可显著提升训练速度
• 如果需要传入多组固定拆分，只需在cv对应的列表中追加拆分元组即可，格式为cv=[(train1, test1), (train2, test2)]
• 传入的索引需要和X、y的行索引匹配，支持整数位置索引、DataFrame标签索引，不支持直接传入切片对象。

内容的提问来源于stack exchange，提问作者JPErwin