Я должен разделить свои данные на обучающее множество (75%) и набор тестов (25%). Я в настоящее время делаю это с кодом ниже:
X, Xt, userInfo, userInfo_train = sklearn.cross_validation.train_test_split(X, userInfo)
Однако я хотел бы расслоить свой обучающий набор данных. Как я делаю это? Я изучал StratifiedKFold
метод, но не позволяет мне specifiy, 75%/25% разделил и только расслаивает обучающий набор данных.
[обновление для 0,17]
Видит документы sklearn.model_selection.train_test_split
:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y,
stratify=y,
test_size=0.25)
[/обновление для 0,17]
существует запрос получения по запросу здесь . Но можно просто сделать train, test = next(iter(StratifiedKFold(...)))
и использовать поезд и протестировать индексы, если Вы хотите.
TL; DR: Используйте , StratifiedShuffleSplit с test_size=0.25
Scikit-учится, обеспечивает два модуля для Стратифицированного Разделения:
n_folds
, обучение/тестирование устанавливает таким образом, что классы одинаково сбалансированы в обоих. Heres некоторый код (непосредственно из вышеупомянутой документации)
>>> skf = cross_validation.StratifiedKFold(y, n_folds=2) #2-fold cross validation
>>> len(skf)
2
>>> for train_index, test_index in skf:
... print("TRAIN:", train_index, "TEST:", test_index)
... X_train, X_test = X[train_index], X[test_index]
... y_train, y_test = y[train_index], y[test_index]
... #fit and predict with X_train/test. Use accuracy metrics to check validation performance
n_iter=1
. Можно упомянуть тестовый размер здесь то же как в train_test_split
Код:
>>> sss = StratifiedShuffleSplit(y, n_iter=1, test_size=0.5, random_state=0)
>>> len(sss)
1
>>> for train_index, test_index in sss:
... print("TRAIN:", train_index, "TEST:", test_index)
... X_train, X_test = X[train_index], X[test_index]
... y_train, y_test = y[train_index], y[test_index]
>>> # fit and predict with your classifier using the above X/y train/test
Вот пример для непрерывных данных / данных регрессии (пока этот вопрос о GitHub не решен).
# Your bins need to be appropriate for your output values
# e.g. 0 to 50 with 25 bins
bins = np.linspace(0, 50, 25)
y_binned = np.digitize(y_full, bins)
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y_binned)
В дополнение к принятому ответу @Andreas Mueller просто хотите добавить, что, поскольку @tangy упомянул выше:
StratifiedShuffleSplit наиболее тесно напоминает train_test_split (расслоитесь = y) с дополнительными функциями:
Можно просто сделать это с train_test_split()
, метод, доступный в Scikit, учится:
from sklearn.model_selection import train_test_split
train, test = train_test_split(X, test_size=0.25, stratify=X['YOUR_COLUMN_LABEL'])
я также подготовил короткую Суть GitHub, которая показывает, как stratify
опция работает:
https://gist.github.com/SHi-ON/63839f3a3647051a180cb03af0f7d0d9
#train_size is 1 - tst_size - vld_size
tst_size=0.15
vld_size=0.15
X_train_test, X_valid, y_train_test, y_valid = train_test_split(df.drop(y, axis=1), df.y, test_size = vld_size, random_state=13903)
X_train_test_V=pd.DataFrame(X_train_test)
X_valid=pd.DataFrame(X_valid)
X_train, X_test, y_train, y_test = train_test_split(X_train_test, y_train_test, test_size=tst_size, random_state=13903)