机器学习笔记——数据集分割

数据小磨坊

发布于 2018-10-23 02:01:49

2K00

代码可运行

文章被收录于专栏：数据小魔方数据小魔方

运行总次数：0

代码可运行

在模型训练之前，要首先划分训练集与测试集，如何对原始数据集进行训练集与测试集的划分？训练集与测试集的比例各占多少？如何保证各自内部标签分布平衡都会影响模型训练的最终效果。

好在R和Python中有现成的数据集分割函数，避免手动写函数导致划分比例不合理、训练集与测试集的样本的结构与总体不均衡的问题。

R语言中caTools包中的sample.split函数可以用来自动将原始数据集分割成训练集和测试集。

方法一——caTools中的sample.split函数

library("caTools")
set.seed(123)

data(iris)
table(iris$Species)

    setosa versicolor  virginica 
        50         50         50

split = sample.split(iris$Species,SplitRatio = .8)
train_data = subset(iris,split == TRUE)
test_data  = subset(iris,split == FALSE)

table(train_data$Species)
    setosa versicolor  virginica 
        40         40         40

table(test_data$Species)
    setosa versicolor  virginica 
        10         10         10

划分方法二——createDataPartition函数

library("caret")
split1  <- createDataPartition(y=iris$Species,p=0.8,list = FALSE)

train_data <- iris[split1,]
table(train_data$Species)
    setosa versicolor  virginica 
        40         40         40 

test_data  <- iris[-split1,]
table(test_data$Species)
    setosa versicolor  virginica 
        10         10         10

可以看到无论是caTools包中的sample.split函数还是caret包中的createDataPartition函数，都针对分类标签做了混合后的分层随机抽样，这样可以保证训练集与测试集内的各类标签分布比例与样本总体的分布比例严格一致，否则如果仅仅使用sample函数，无法达到分层随机抽样的目的。

Python的sk-learn库中也有现成的数据集分割工具可用。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
import pandas as pd

iris  = load_iris()
data = iris['data']
iris_data = pd.DataFrame(
         data = data,
         columns = ['sepal_length','sepal_width','petal_length','petal_width']
        )
iris_data["Species"] = iris[ 'target']
iris_data["Species"] = iris_data["Species"].map({0:"setosa",1:"versicolor",2:"virginica"})

iris_data["Species"].value_counts()
versicolor    50
virginica     50
setosa        50
Name: Species, dtype: int64

x,y = iris_data.iloc[:,0:-1],iris_data.iloc[:,-1]
train_data,test_data,train_target,test_target = train_test_split(x,y,test_size = 0.2,stratify = y)

train_target.value_counts()
test_target.value_counts()