Sklearn Train Test Split – Mastering Data Splitting for Machine Learning

SKLearn Train Test Split – это функция из библиотеки для машинного обучения Scikit-learn, которая позволяет разделить данные на обучающую и тестовую выборку.

Обучающая выборка используется для обучения модели, а тестовая выборка используется для оценки качества предсказаний. Основная идея состоит в том, чтобы избежать переобучения модели с помощью проверки ее на новых данных, которые она раньше не видела.

Синтаксис функции train_test_split() следующий:

train_test_split(X, y, test_size=0.2, random_state=42, shuffle=True)

где:

X – массив признаков ( массив значений )

y – массив целевых значений ( массив меток )

test_size – доля тестовой выборки в общем объеме данных в размере от 0 до 1. По умолчанию принимается значение 0.25, то есть 25% данных в тестовой выборке.

random_state – устанавливает сид генератора случайных чисел. Позволяет получить одинаковое разбиение данных при каждом запуске кода.

shuffle – перемешивает данные перед разделением. По умолчанию принимается значение True.

Давайте рассмотрим пример кода, чтобы понять, как эта функция работает:

import numpy as np

from sklearn.model_selection import train_test_split

# Создаем массив данных X и меток y

X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

y = np.array([0, 1, 2, 3])

# Разделяем данные на обучающую и тестовую выборки

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,

random_state=42, shuffle=True)

print("X_train:", X_train)

print("X_test:", X_test)

print("y_train:", y_train)

print("y_test:", y_test)

# Вывод:

# X_train: [[1 2]

# [5 6]

# [7 8]]

# X_test: [[3 4]]

# y_train: [0 2 3]

# y_test: [1]

В данном примере мы создаем массив данных X из 4 значений и массив меток y из 4 меток. Затем мы используем функцию train_test_split(), чтобы разделить данные на обучающую и тестовую выборки с размером тестовой выборки равным 0,3 (30%). Мы также устанавливаем сид генератора случайных чисел равным 42, чтобы получить одинаковое разбиение данных при каждом запуске кода.

Результат печати показывает, что мы получили 3 обучающие данные и 1 тестовую выборку, а также соответствующие метки.

Таким образом, с помощью функции train_test_split() легко разбить массив данных на обучающую и тестовую выборки, а затем использовать их для обучения и оценки качества моделей машинного обучения.