我有12列+ 1目标(二进制)和大约4000行的数据集。我需要将它分成火车(70%),验证(20%)和测试(10%)设置。
数据集的采样率非常低(类别1的0%到5%的95%)因此我需要保持每个样本中目标的比例。
我能够以某种方式拆分数据集,但我不知道如何保持比率。
我正在使用子集Wine Quality数据here
答案 0 :(得分:1)
如果您可以访问Matlab的统计处理工具箱,则可以使用cvpartition
功能
来自cvpartition
的matlab帮助 - :
c = cvpartition(group,'HoldOut',p)使用组中的类信息随机将观察分成训练集和分层测试集;也就是说,训练和测试集的类比例与组中的大致相同。
您可以将该功能应用两次以获得三个分区。此函数保留原始类分布。
答案 1 :(得分:0)
到目前为止,我想出了这个,如果有人知道更好的解决方案,请告诉我。 我按目标列拆分数据集,然后将这两个拆分中的每一个进一步拆分为前70%,接下来的20%和最后10%的数据,然后合并在一起。 之后,我分割了特征和目标。
%split in 0/1 samples
winedataset_0 = winedataset(winedataset(:, 13) == 0, :);
winedataset_1 = winedataset(winedataset(:, 13) == 1, :);
%train
split_tr_0 = round(length(winedataset_0)*0.7);
split_tr_1 = round(length(winedataset_1)*0.7);
train_0 = winedataset_0(1:split_tr_0,:);
train_1 = winedataset_1(1:split_tr_1,:);
train_set = vertcat(train_0, train_1);
train_set = train_set(randperm(length(train_set)),:);
%valid
split_valid_0 = split_tr_0 + round(length(winedataset_0)*0.2);
split_valid_1 = split_tr_1 + round(length(winedataset_1)*0.2);
valid_0 = winedataset_0(split_tr_0+1:split_valid_0,:);
valid_1 = winedataset_1(split_tr_1+1:split_valid_1,:);
valid_set = vertcat(valid_0, valid_1);
valid_set = valid_set(randperm(length(valid_set)),:);
%test
test_0 = winedataset_0(split_valid_0+1:end,:);
test_1 = winedataset_1(split_valid_1+1:end,:);
test_set = vertcat(test_0, test_1);
test_set = test_set(randperm(length(test_set)),:);
%Split into X and y
X_train = train_set(:,1:12);
y_train = train_set(:,13);
X_valid = valid_set(:,1:12);
y_valid = valid_set(:,13);
X_test = test_set(:,1:12);
y_test = test_set(:,13);