利用model_selection中的train_test_split对整个dataset进行切分

交叉验证：评估模型的表现
1.使用train_test_split可以对训练和测试集进行快速的切分
在切分之前该函数参数中的shuffle的default = True，默认
的会对数据进行洗牌之后再切分

import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5,2)),range(5)

可以看到X是一个5*2的结构也就是5个samples,2个features
y是对应的label对于samples的数量同样为5个

print('X',X)
print('y', y)

X [[0 1]
[2 3]
[4 5]
[6 7]
[8 9]]
y range(0, 5)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2
,random_state = 42)

可以使用model_selection模块中的train_test_split来对整个
数据集进行切分，第一个参数为n_samplesm_features，第二
个参数为labels，第三个参数为测试集所占所有数据的比例，随
机的状态为，如上参数所示test_size = 0.2 那么测试集大小应
当为n_samplestest_size = 1对应的训练集则为4

X_train

array([[8, 9],
[4, 5],
[0, 1],
[6, 7]])

y_train

[4, 2, 0, 3]

X_test

array([[2, 3]])

最后

以上就是懦弱凉面为你收集整理的利用model_selection中的train_test_split对整个dataset进行切分的全部内容，希望文章能够帮你解决利用model_selection中的train_test_split对整个dataset进行切分所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。