Question

给定一个包含10,000个观测值和50个特征加上一个标签的数据集，X_train，y_train，X_test和y_test的维数是多少，假设列车/测试分割为75％/ 25％？应该是

X_train:(2500, 50)
y_train: (2500, )
X_test: (7500, 50)
y_test: (7500, )

或

X_train: (7500, 50)
y_train: (7500, )
X_test: (2500, 50)
y_test: (2500, )

Answer 1

您可以使用sklearn中的train_test_split来查看自己：

import numpy as np
from sklearn.model_selection import train_test_split

n = 10000
p = 50
X = np.random.random((n,p))
y = np.random.randint(0,2,n)

test = 0.25
d = {}
d["X_train"], d["X_test"], d["y_train"], d["y_test"] = train_test_split(X,y,test_size=test)

for split in d:
    print(split, d[split].shape)

X_train (7500, 50)
X_test (2500, 50)
y_train (7500,)
y_test (2500,)

Answer 2

第二个。

假设列车/测试分成75％/ 25％

这意味着75％的数据集用于培训，其余用于测试。你有10000个观测值，因此7500用于训练，2500用于测试。

一般情况下，当我们说A / B拆分为X% / Y%时。这意味着A得到X%而B得到Y%。总是。此外，X+Y应为100。

Answer 3

对您来说可能为时已晚。但是，我想回答这个问题；

您应该首选使用75％数据作为训练集，其余25％是测试集。这通常会给您带来良好的效果。（这也取决于您的数据集数量。）

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, train_size=0.75, random_state=101)
X_train: (7500, 50)
y_train: (7500, )
X_test: (2500, 50)
y_test: (2500, )

考虑训练/测试拆分方法“ train_size”和“ test_size”的内部。您可以为此设置其他值。

random_state参数也可用于改组数据集部分

Python机器学习标签和功能

3 个答案: