如果不想看具体参数的可以拉到最后看通常使用方式
用train_test_split可以自动帮你把数据集划分为测试集和验证集
from sklearn.model_selection import train_test_split
output= sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)
*array:长度相同的可索引序列/形状[0]:输入包括lists, numpy arrays, scipy-sparse matrices 或者 pandas dataframes.
test_size:float 或 int, default=None。这个就是测试集在数据集中的比例,如果不设置或者设置为None,则自动设置为1-train_size,如果train_size 也为None,则将其设置为0.25
train_size :float 或 int, default=None。这个是测试集在数据集中比例,用法与test_size相似。
random_state :int,RandomState instance 或None,default=None。在应用拆分之前,控制应用于数据的改组。为多个函数调用传递可重复输出的int值。
shuffle:bool, default=True。是否打乱数组。如果shuffle = False,则stratify必须为None;
stratify:array-like, default=None。如果不是None,则将数据用作类标签以分层方式拆分。
output:list, length=2 * len(arrays):包含输入分离后的测试集和验证集。
example1: