代码收藏家 python机器学习 train_test_split()函数用法解析及示例 划分训练集和测试集 以鸢尾数据为例 入门级讲解
文章目录
train_test_split()用法
python机器学习中常用 train_test_split()函数划分训练集和测试集，其用法语法如下：
| 变量 | 描述 |
|---|---|
| X_train | 划分的训练集数据 |
| X_test | 划分的测试集数据 |
| y_train | 划分的训练集标签 |
| y_test | 划分的测试集标签 |
| 参数 | 描述 |
|---|---|
| train_data | 还未划分的数据集 |
| train_target | 还未划分的标签 |
| test_size | 分割比例，默认为0.25，即测试集占完整数据集的比例 |
| random_state | 随机数种子，应用于分割前对数据的洗牌。可以是int，RandomState实例或None，默认值=None。设成定值意味着，对于同一个数据集，只有第一次运行是随机的，随后多次分割只要rondom_state相同，则划分结果也相同。 |
| shuffle | 是否在分割前对完整数据进行洗牌（打乱），默认为True，打乱 |
以sklearn库内置的iris数据集（鸢尾数据集）为例，首先获取数据：
获取数据
from sklearn.model_selection import train_test_split
# 以sklearn库内置的iris数据集（鸢尾数据集）为例
dataset = load_iris()
这里的dataset数据是sklearn.utils.Bunch类型的数据，比较像字典
将其打印出~
print(dataset)
如下所示
从中取出其data属性和target属性，X是特征数组（也称数据集），y表示类别数组（也称标签）
X = dataset.data
y = dataset.target
此例中，有四个特征（即data的4列表示4个特征），分别是鸢尾植物的萼片的长，萼片的宽，花瓣的长，花瓣的宽。
X中共150行，即150个样本，类别数据总共有150个数据(对应150个样本的类别)。
print(y)
y的150个数据如上图，其中，有0,1,2三个取值，表示三种花：
| 0 | 1 | 2 |
|---|---|---|
| Iris Setosa(山鸢尾) | Iris Versicolour(变色鸢尾) | Iris Virginica(维吉尼亚鸢尾) |
使用最简单的离散化算法，以均值为阈值，使大于阈值的特征值为1，小于阈值的特征值为0.
attribute_means = X.mean(axis=0)
X_d = np.array(X >= attribute_means, dtype='int') # bool转换
print(X_d)
运行结果（成功将X的数据转换为bool类型）：
划分训练集和测试集
然后就是使用train_test_split()函数将数据划分训练集和测试集了。
random_state = 10
# 以默认的0.25作为分割比例进行分割（训练集:测试集=3:1）
X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)
print("There are {} training samples".format(y_train.shape[0]))
print("There are {} testing samples".format(y_test.shape[0]))
如图得到的数据中112/38接近3:1。分割成功！
完整代码脚手架
（将上述分步的代码写在一块儿方便复制使用）：
from sklearn.model_selection import train_test_split
dataset = load_iris()
X = dataset.data
y = dataset.target
attribute_means = X.mean(axis=0)
X_d = np.array(X >= attribute_means, dtype='int')
random_state = 10
X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)
