Scikit-learn Python机器学习 - 数据集的划分
锋哥原创的Scikit-learn Python机器学习视频教程：
2026版 Scikit-learn Python机器学习 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili
课程介绍
本课程主要讲解基于Scikit-learn的Python机器学习知识，包括机器学习概述，特征工程(数据集，特征抽取，特征预处理，特征降维等)，分类算法(K-临近算法，朴素贝叶斯算法，决策树等)，回归与聚类算法(线性回归，欠拟合，逻辑回归与二分类，K-means算法)等。
Scikit-learn Python机器学习 - 数据集的划分
我们需要把数据集进行划分，一部分用于训练构建模型，另外一部分用于测试。常见划分比例8:2，7:3，或者75%:25%。
train_test_split() 是 Scikit-learn 中最常用的数据集划分方法之一，用于将数据集随机划分为训练子集和测试子集。这个方法简单易用，但功能强大，提供了多个参数来满足不同的数据划分需求。
基本语法：
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None
)参数详解：
-
X 和 y
-
X: 特征数据集，通常是二维数组或矩阵
-
y: 目标变量，通常是一维数组
-
test_size 和 train_size
-
test_size: 测试集的比例或数量
-
浮点数 (0.0-1.0): 表示测试集占总数据集的比例
-
整数: 表示测试集的绝对样本数
-
默认: None (使用补集，即 1 - train_size)
-
-
train_size: 训练集的比例或数量
-
浮点数 (0.0-1.0): 表示训练集占总数据集的比例
-
整数: 表示训练集的绝对样本数
-
默认: None (使用补集，即 1 - test_size)
-
注意：test_size 和 train_size 只需指定一个即可。
-
random_state
-
整数: 设置随机种子，确保每次划分结果相同
-
默认: None (每次划分结果不同)
-
在需要可重复实验时非常有用
-
shuffle
-
布尔值: 是否在划分前打乱数据
-
默认: True
-
对于时间序列数据，通常设置为 False
-
stratify
-
数组-like 对象: 用于分层抽样，保持划分后各类别比例与原始数据集相同
-
默认: None (不进行分层抽样)
-
常用于分类问题中类别不平衡的情况
使用实例：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_splitif __name__ == '__main__':# 加载鸢尾花数据集iris = load_iris()print('鸢尾花数据集：', iris)print('数据集描述：', iris['DESCR'])print('特征名称：', iris.feature_names)print('特征数据值：', iris.data)print('特征数据形状：', iris.data.shape)print('目标名称：', iris.target_names)print('目标值：', iris.target)# 数据集划分x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)print("训练集的特征值：", x_train, x_train.shape)print("训练集的目标值：", y_train, len(y_train))print("测试集的特征值：", x_test, x_test.shape)print("测试集的目标值：", y_test, len(y_test))运行输出：
