我有一个多类分类问题,我的数据集是偏斜的,我有一个特定类的100个实例,并说一些不同类的10个,所以我想在类之间拆分我的数据集保持比例,如果我有100个实例一个特定的课程,我希望30%的记录进入训练集我希望有30个实例,我的100个记录代表类,3个实例代表我的10个记录,等等。
答案 0 :(得分:12)
您可以使用在线文档中的sklearn StratifiedKFold
:
分层K-Folds交叉验证迭代器
提供火车/测试 用于在列车测试集中分割数据的索引。
此交叉验证对象 是KFold的变体,返回分层折叠。折叠是 通过保留每个班级的样本百分比来制作。
>>> from sklearn import cross_validation
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([0, 0, 1, 1])
>>> skf = cross_validation.StratifiedKFold(y, n_folds=2)
>>> len(skf)
2
>>> print(skf)
sklearn.cross_validation.StratifiedKFold(labels=[0 0 1 1], n_folds=2,
shuffle=False, random_state=None)
>>> 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]
TRAIN: [1 3] TEST: [0 2]
TRAIN: [0 2] TEST: [1 3]
这将保留您的类比率,以便拆分保留类比率,这将适用于pandas dfs。
根据@Ali_m的建议,您可以使用StratifiedShuffledSplit
接受拆分比率参数:
sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)
将产生70%的分割。
答案 1 :(得分:6)
简单如下:
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)
答案 2 :(得分:-1)
You can simply use the following:
但请确保您将“无”的分层重置为类标签:
“stratify:array-like或None(默认为None) 如果不是None,则数据以分层方式拆分,使用此作为类标签。“