cv2 = StratifiedKFold() 五折交叉验证如何设定

`StratifiedKFold`是用于分类任务的交叉验证方法，可以将数据集分成k个互斥的子集，每次取其中一个子集作为验证集，剩下的k-1个子集作为训练集。在每次的交叉验证中，保证每个子集中各类别样本的比例与原始数据集中各类别样本的比例相同，从而能够更加准确地评估模型的性能。

在使用`StratifiedKFold`进行五折交叉验证时，你需要指定以下参数：

- `n_splits`: 表示将数据集分成几个子集，默认为5；
- `shuffle`: 表示是否在分割之前对数据进行洗牌，默认为True；
- `random_state`: 表示随机种子，用于控制随机性。

下面是一个使用`StratifiedKFold`进行五折交叉验证的示例代码：

from sklearn.model_selection import StratifiedKFold
import numpy as np

X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([0, 0, 1, 1])

cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=0)

for train_index, test_index in cv.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    # 在这里进行模型训练和测试

在上述代码中，`cv.split(X, y)`返回的是一个生成器，每次迭代会返回当前的训练集和测试集的索引。在每次迭代中，你可以使用这些索引从原始的数据集中获取对应的训练集和测试集，并在这里进行模型训练和测试。