我正在尝试比较不同的算法，看看哪种算法最适合我的问题。

我直接尝试本教程中的代码：https ://machinelearningmastery.com/machine-learning-in-python-step-by-step/

特别是在下面的代码中：

我的进口

import sys
import pandas as pd
import scipy as sp
import sklearn as sk
import numpy as np
import matplotlib.pyplot as plt
from pandas.plotting import scatter_matrix

from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold

from sklearn.linear_model import LogisticRegression
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier

抽查算法

import sys
import pandas as pd
import scipy as sp
import sklearn as sk
import …

如何将以下用 python 编写的代码写入 R ？

X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                                    test_size=0.2, random_state=42)   

以 80/20 的比例拆分为训练集和测试集。

我想在以下数据帧上使用来自 sklearn 的 TimeSeriesSplit 来预测总和：

因此，为了准备 X 和 y，我执行以下操作：

X = df.drop(['sum'],axis=1)
y = df['sum']

然后将这两个喂给：

for train_index, test_index in tscv.split(X):
X_train01, X_test01 = X[train_index], X[test_index]
y_train01, y_test01 = y[train_index], y[test_index]

通过这样做，我收到以下错误：

KeyError: '[ 0  1  2 ...] not in index'

这里 X 是一个数据帧，显然这会导致错误，因为如果我将 X 转换为数组，如下所示：

X = X.values

然后它会起作用。但是，为了以后对模型的评估，我需要 X 作为数据框。有什么方法可以将 X 保留为数据帧并将其提供给 tscv 而不将其转换为数组？

我正在尝试使用 train_test_split 策略微调我的 sklearn 模型。我知道GridSearchCV执行参数调整的能力，但是，它与使用交叉验证策略相关，我想使用 train_test_split 策略进行参数搜索，因为训练速度对我的情况很重要，我更喜欢简单train_test_split通过交叉验证。

我可以尝试编写自己的 for 循环，但如果不利用 GridSearchCV 中使用的内置并行化，效率会很低。

有人知道如何利用 GridSearchCV 来实现这一点吗？或者提供一个不太慢的替代方案。