python中數據集划分函數StratifiedShuffleSplit的使用
文章開始先講下交叉驗證，這個概念同樣適用於這個划分函數
1.交叉驗證(Cross-validation)
交叉驗證是指在給定的建模樣本中，拿出其中的大部分樣本進行模型訓練，生成模型，留小部分樣本用剛建立的模型進行預測，並求這小部分樣本的預測誤差，記錄它們的平方加和。這個過程一直進行，直到所有的樣本都被預測了一次而且僅被預測一次，比較每組的預測誤差，選取誤差最小的那一組作為訓練模型。下圖所示
2.StratifiedShuffleSplit函數的使用
官方文檔
用法：
from sklearn.model_selection import StratifiedShuffleSplit StratifiedShuffleSplit(n_splits=10,test_size=None,train_size=None, random_state=None)
2.1 參數說明
參數 n_splits是將訓練數據分成train/test對的組數，可根據需要進行設置，默認為10
參數test_size和train_size是用來設置train/test對中train和test所占的比例。例如：
1.提供10個數據num進行訓練和測試集划分
2.設置train_size=0.8 test_size=0.2
3.train_num=num*train_size=8 test_num=num*test_size=2
4.即10個數據，進行划分以后8個是訓練數據，2個是測試數據
注*：train_num≥2，test_num≥2 ;test_size+train_size可以小於1*
參數 random_state控制是將樣本隨機打亂
2.2 函數作用描述
1.其產生指定數量的獨立的train/test數據集划分數據集划分成n組。
2.首先將樣本隨機打亂，然后根據設置參數划分出train/test對。
3.其創建的每一組划分將保證每組類比比例相同。即第一組訓練數據類別比例為2:1，則后面每組類別都滿足這個比例
2.3 具體實現
from sklearn.model_selection import StratifiedShuffleSplit
import numpy as np
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4], [1, 2],[3, 4], [1, 2], [3, 4]])#訓練數據集8*2 y = np.array([0, 0, 1, 1,0,0,1,1])#類別數據集8*1 ss=StratifiedShuffleSplit(n_splits=5,test_size=0.25,train_size=0.75,random_state=0)#分成5組，測試比例為0.25，訓練比例是0.75 for train_index, test_index in ss.split(X, y): print("TRAIN:", train_index, "TEST:", test_index)#獲得索引值 X_train, X_test = X[train_index], X[test_index]#訓練集對應的值 y_train, y_test = y[train_index], y[test_index]#類別集對應的值 運行結果：
從結果看出，1.訓練集是6個，測試集是2，與設置的所對應；2.五組中每組對應的類別比例相同
from：https://blog.csdn.net/m0_38061927/article/details/76180541