（机器学习）测试集和训练集的划分对预测结果的影响

        机器学习中，经常会出现结果比较离谱的情况。       

        在使用python对35717组数据进行回归分析时，在生成二次项之后，发现使用线性回归模型时测试集MSE特别大，而且r^2系数出现负值。

        思考原因：

        可能是因为测试集中出现异常较大的值，或者测试集某些特征整体数值较大。

        经检查发现，训练集和测试集的划分不合理。由于该组数据整体方差较大，因此根据某一个特征的大小进行划分时，尤其是生成二次项之后，很容易出现测试集的平均数值明显比训练集要大的情况。

#划分测试集和训练集
test_data = data_dummied[data_dummied[6] > 48]
train_data = data_dummied[data_dummied[6] <= 48]
X_test = test_data.drop('label', axis = 1)
y_test = test_data['label']
X_train = train_data.drop('label', axis = 1) 
y_train = train_data['label'] 

        解决方案

        采用8:2的比例对原数据划分训练集和测试集进行划分，并且采用随机分配的方式。

from sklearn.model_selection import train_test_split
X = data_dummied.drop('label', axis = 1)
y = data_dummied['label']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

         通过此方式划分的测试集和训练集，模型预测结果有了很好的改善。