为什么KFold每折训练集大小不同 如何实现每折样本量一致

现象原因 #

你用于交叉验证的输入数据集X_train总样本量为404，无法被设置的折数k=5整除。Sklearn的KFold默认拆分逻辑为：如果总样本数n_samples除以折数n_splits的余数为r，则前r折的验证集大小为n_samples//n_splits +1，剩余n_splits-r折的验证集大小为n_samples//n_splits。
对应到你的场景：404除以5余数为4，前4折验证集大小为81，第5折验证集大小为80，因此训练集大小分别为404-81=323、404-80=324，和你观测到的输出一致。你输出中Test的大小固定为102，是因为你预测的是固定的外部测试集X_test，和KFold的拆分逻辑无关。

实现每折训练集大小相同的方案 #

• 方案1：裁剪输入数据集，使总样本数可被k整除
  直接丢弃少量样本，将X_train总样本数调整为k的整数倍，比如404可以丢弃4个样本得到400（400/5=80），后续KFold拆分的每折验证集大小一致，训练集自然相同。示例代码：

  import numpy as np
  # 裁剪样本使总数可被k=5整除
  total_sample = len(X_train)
  keep_num = (total_sample // k) * k
  X_train = X_train[:keep_num]
  y_train = y_train[:keep_num]
  

• 方案2：每折训练集固定采样相同大小的样本
  不修改原始数据集，在每折训练前从拆分得到的训练索引中随机采样固定数量的样本（比如统一取323个），实现训练集大小一致。注意设置replace=False避免重复采样：

  kf = KFold(n_splits=k, shuffle=True)
  for train_index, _ in kf.split(X_train):
      # 固定采样323个训练样本
      train_index = np.random.choice(train_index, size=323, replace=False)
      fitted_model = model.fit(X_train[train_index], y_train[train_index])
      train_preds = fitted_model.predict(X_train[train_index])
      test_preds = fitted_model.predict(X_test)
      print("Train", train_preds.shape)
      print("Test", test_preds.shape)
  

• 方案3：调整折数适配总样本量
  如果不想丢弃样本，可以将折数调整为总样本数的约数，比如404的约数有2、4、101等，设置k=4时，404/4=101，每折验证集大小一致，训练集也会相同。

内容的提问来源于stack exchange，提问作者Opps_0