sklearn的train_test_split()各函數參數含義解釋（很是全）

sklearn之train_test_split()函數各參數含義（很是全）

在機器學習中，咱們一般將原始數據按照比例分割爲「測試集」和「訓練集」，從 sklearn.model_selection 中調用train_test_split 函數 

簡單用法以下：

X_train,X_test, y_train, y_test =sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.4, random_state=0,stratify=y_train)
# train_data：所要劃分的樣本特徵集

# train_target：所要劃分的樣本結果

# test_size：樣本佔比，若是是整數的話就是樣本的數量

# random_state：是隨機數的種子。
# 隨機數種子：其實就是該組隨機數的編號，在須要重複試驗的時候，保證獲得一組同樣的隨機數。好比你每次都填1，其餘參數同樣的狀況下你獲得的隨機數組是同樣的。但填0或不填，每次都會不同。

stratify是爲了保持split前類的分佈。好比有100個數據，80個屬於A類，20個屬於B類。若是train_test_split(... test_size=0.25, stratify = y_all), 那麼split以後數據以下： 
training: 75個數據，其中60個屬於A類，15個屬於B類。 
testing: 25個數據，其中20個屬於A類，5個屬於B類。 

用了stratify參數，training集和testing集的類的比例是 A：B= 4：1，等同於split前的比例（80：20）。一般在這種類分佈不平衡的狀況下會用到stratify。

將stratify=X就是按照X中的比例分配 

將stratify=y就是按照y中的比例分配 

總體總結起來各個參數的設置及其類型以下：

主要參數說明：

*arrays：能夠是列表、numpy數組、scipy稀疏矩陣或pandas的數據框

test_size：能夠爲浮點、整數或None，默認爲None

①若爲浮點時，表示測試集佔總樣本的百分比

②若爲整數時，表示測試樣本樣本數

③若爲None時，test size自動設置成0.25

train_size：能夠爲浮點、整數或None，默認爲None

①若爲浮點時，表示訓練集佔總樣本的百分比

②若爲整數時，表示訓練樣本的樣本數

③若爲None時，train_size自動被設置成0.75

random_state：能夠爲整數、RandomState實例或None，默認爲None

①若爲None時，每次生成的數據都是隨機，可能不同

②若爲整數時，每次生成的數據都相同

stratify：能夠爲相似數組或None

①若爲None時，劃分出來的測試集或訓練集中，其類標籤的比例也是隨機的

②若不爲None時，劃分出來的測試集或訓練集中，其類標籤的比例同輸入的數組中類標籤的比例相同，能夠用於處理不均衡的數據集

經過簡單栗子看看各個參數的做用：

 

舉例以下：

經過簡單例子看看各個參數的做用：

①test_size決定劃分測試、訓練集比例

 

②random_state不一樣值獲取到不一樣的數據集

 設置random_state=0再運行一次，結果同上述相同

 

設置random_state=None運行兩次，發現兩次的結果不一樣

 

③設置stratify參數，能夠處理數據不平衡問題