机器学习好伙伴之scikit-learn的使用——训练集与测试集的划分

从今天开始就要学习scikit-learn的使用了，要加油噢。

什么是训练集与测试集

全部数据进行数据拆分后可以得到训练集与测试集。
训练集：代表用于训练模型的子集。
测试集：代表用于测试训练后模型的子集。
其分开的意义相当于将作业与考试分开，作业相当于训练集，考试相当于测试集，平时状态下，学生用作业进行训练，利用考试进行打分。
其分开比例常常为：
训练/测试 = 7/3。

划分常用函数train_test_split()

利用如下函数，可以载入相关模块：

from sklearn.model_selection import train_test_split

具体使用方式如下：

X_train,X_test, y_train, y_test = train_test_split(
	train_data,
	train_target,
	test_size=0.3, 
	random_state=0
)

其中常用参数为：
1、train_data：进行划分的样本的特征集合
2、train_target：进行划分的样本的标签集合
3、test_size：在0-1之间时，表示测试样本占比；是整数的话，就代表测试样本的数量。
4、random_state：随机数的种子。
随机数种子指的是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。
假设random_state = 1，其他参数一样的情况下，随机数组是一样的。
但填0或不填，每次都不一样。
随机数的产生取决于种子：
种子不同，产生不同的随机数；
种子相同，即使实例不同也产生相同的随机数。

应用示例

实现代码为：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

# 用于获取iris花的分类样本
iris = datasets.load_iris()
# 取得特征
iris_X = iris.data
# 取得标签
iris_Y = iris.target

# 进行数据集划分
X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_Y, test_size=0.3)

# 利用K聚类算法进行分类
knn = KNeighborsClassifier()
knn.fit(X_train, y_train)
print(y_test)
print(knn.predict(X_test))

实验结果为：

[0 2 1 1 1 1 1 1 1 2 0 1 1 2 0 1 2 0 0 2 2 2 1 2 1 2 2 1 1 0 2 2 1 2 1 2 0
 2 0 1 0 0 1 2 0]
[0 2 1 1 1 1 1 1 2 2 0 2 1 2 0 1 2 0 0 2 2 2 1 2 1 2 2 1 1 0 2 2 2 2 1 2 0
 2 0 1 0 0 1 2 0]

由此可见具有一定的准确度。