首页手记造个轮子|train_test_split

造个轮子|train_test_split

标签：

数据分析&挖掘

01 起

机器学习分为有监督学习和无监督学习，在有监督学习中，我们需要将样本分为训练集和测试集。其中，训练集用于训练模型，这个集合中的样本数越大越好，测试集用于测试训练出的模型的效果。

在机器学习过程中，对于训练集和测试集，我们会：

将训练集的特征(X)和特征对应的标签(Y)输入到模型，去训练模型参数；
模型训练完成后，我们将测试集的特征(X)输入到模型中，让模型去预测这些测试集的标签(Y_predict)；
最后我们将这些预测的标签和测试集真实标签(Y)进行比较，计算准确率，就可以评估训练模型的效果了。

所以，在有监督学习中，拿到样本后，我们需要将样本分割为训练集和测试集，怎么做呢？

在sklearn包中有写好的函数用于分割训练集和测试集，但是今天我们就来自己写一个分割函数吧，毕竟分割的原则和方法不自己操作一波是不会有太多体会的。

02 分割原则

前一节我们讲解了训练集和测试集的用处，他们都来自于同一个样本集，那么你再想想，分割的原则到底是什么呢？

分割原则：
随机分割
分割比例可选
训练集比例大于测试集

好了，基于上述分割原则，我们用python3来写一个分割函数吧！

03 分割函数

效果

输入总样本的特征集和标签集，输入分割比例、指定随机数种子，输出按分割比例分割好的训练集和测试集

输入

x-样本特征集，dataframe格式
y-样本对应分类标签，dataframe格式
random_seed-随机数种子，确保每次执行同样参数的函数后，得到的分割样本不变，默认7
test_size-测试集占总样本比例，如20%表示为0.2，默认0.25

输出

X_train,X_test,Y_train,Y_test(array格式)

def train_test_split(x,y,test_size=None,random_seed=None):
    import pandas as pd    import numpy as np    
    if test_size==None:
        test_size=0.25
    
    if random_seed==None:
        random_seed=7
    
    #根据随机数种子，将x索引打乱
    np.random.seed(random_seed)
    indices=np.random.permutation(len(x))    
    #根据设定的测试集样本比例，划分训练集、测试集
    cut=int(len(x)*(1-test_size))
    x_train=x.iloc[indices[:cut]]
    y_train=y.iloc[indices[:cut]]
    
    x_test=x.iloc[indices[cut:]]
    y_test=y.iloc[indices[cut:]]    
    # 将dataframe格式的数据转换为numpy array格式，便于调用函数计算
    x_train=np.array(x_train)
    y_train=np.array(y_train)
    x_test=np.array(x_test)
    y_test=np.array(y_test)    
    # 将labels的形状设置为(130,)
    y_train.shape=(cut,)    
    return x_train,x_test,y_train,y_test

04 测试函数

写好了分割函数，让我们来测试一波，看看分割函数的效果吧。

测试使用的样本是鸢尾花数据集，长成这样，共有150条数据：

我们将此样本带入分割函数进行分割，分割比例为20%，即，训练集有120条，测试集有30条。

iris=pd.read_csv("E:\python\practice\iris.txt")
iris_x=iris.iloc[:,[0,1,2,3]]
iris_y=iris.iloc[:,[4]]

iris_x_train,iris_x_test,iris_y_train,iris_y_test=train_test_split(iris_x,iris_y,0.2,32)

iris_y_train.shape

输出为：