train_test_split()

​
参考、摘抄自：https://blog.csdn.net/qq_39355550/article/details/82688014

sklearn中的train_test_split()函数解析_好好学习就改名的博客-CSDN博客

train_test_split作用是交叉验证中常用的函数，功能是从样本中随机的按比例选取train data和testdata，形式为：

X_train,X_test, y_train, y_test =

cross_validation.train_test_split(train_data,train_target,test_size=0.4, random_state=0)

其中：train_data：所要划分的样本特征集

train_target：所要划分的样本结果

test_size：样本占比，如果是整数的话就是样本的数量

以上三个参数大部分人都是清楚的，问题就出现在后面：

random_state 默认值none, 随机数种子

shuffle 默认值True, 表示是否在拆分前打乱数据, 若为False则stratify必须置为none
stratify 默认值none，如果不是none，则以分层方式拆分数据，并将其用作类标签
random_state:
函数将数据集随机拆分成训练集和测试集，如果random_state不设置，则每次运行拆分时得到的训练集和测试集都与上次不相同，导致构建的模型也就不同

random_state=0时

a, b = np.arange(8).reshape(4,2), range(4)
X_train,X_test,y_train,y_test = train_test_split(a,b)
print('a：\n{}'.format(a))
print('b：\n{}'.format(b))
print('x_train：\n{}'.format(X_train))
print('x_test：\n{}'.format(X_test))
print('y_train：\n{}'.format(y_train))
print('y_test：\n{}'.format(y_test))

多次运行输出不同
第一次结果

a：
[[0 1]
 [2 3]
 [4 5]
 [6 7]]
b：
range(0, 4)
x_train：
[[4 5]
 [0 1]
 [2 3]]
x_test：
[[6 7]]
y_train：
[2, 0, 1]
y_test：
[3]

第二次

a：
[[0 1]
 [2 3]
 [4 5]
 [6 7]]
b：
range(0, 4)
x_train：
[[2 3]
 [0 1]
 [6 7]]
x_test：
[[4 5]]
y_train：
[1, 0, 3]
y_test：
[2]

设置了random_state=1后，每次运行结果都是一样的：
但是random_state取值大小对训练集和测试集划分的影响还是一个问题？【查找资料看到的说法是不影响，help给的应用案例取值为42】

shuffle：

在划分数据前打乱数据，当数据分布不均衡时，可能会使训练集和测试集也分布不均匀（特殊情况如某一类样本没有被选到）所以需要先对样本集进行打乱。

stratify：

能够保持划分前类的分布，比如选取的测试集和训练集1类样本百分比都为20%和总样本中的占比一致。