如何进行训练测试分割，以便Python中每个类都有足够的训练和测试数据？

Question

我有一个数据集，它有5个类，分布如下：

从分布中可以明显看出，类1的样本非常少。你知道吗

如何对这些数据进行训练测试分割，以便Python中每个类别都有足够的训练和测试数据？你知道吗

Answer 1

将train_test_split中的stratify参数设置为目标列。你知道吗

stratify将确保每个类被平均分割。Doc

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

Answer 2

默认情况下，train_test_split函数在拆分数据集之前对数据集进行洗牌，除非您将shuffle参数值提供为False。我认为，如果shuffle是真的，它可以确保数据集的训练部分将有来自所有类别的值。另外，如果您想确定train\u test\u split的结果，那么可以使用random_state参数。请参阅documentation了解更多信息。希望有帮助。你知道吗