在分类问题中，我们关心标签在训练和验证集中的分布。在sklearn中，stratify中有train_test_split选项，以确保标签在训练和验证集中的分布相似。
在回归问题中，假设我们要基于一系列功能来预测房价。我们是否需要关注火车和验证集中的房价分布？
如果是，我们如何在sklearn中实现这一目标？
答案 0 :(得分：0)
强制功能在您的培训和验证集中具有相似的分布，假定您高度信任必须代表实际生活中遇到的数据（例如，在生产环境中为 的数据）的数据。 ），通常情况并非如此。
与测试分数相比，这样做实际上可以提高您的验证分数。
我建议您执行交叉验证（在sklearn中），而不是调整训练和验证集中的特征分布，这可能更能代表测试情况。
答案 1 :(得分：0)
此book（'A。Geron，使用Scikit-Learn和TensorFlow进行动手机器学习，O'Reilly，2017年）在第2章中对此进行了出色的介绍性讨论。释义：
通常对于大型数据集，您不需要执行分层抽样：训练集应该可以公平地表示观察到的实例范围（当然，这是例外）。对于较小的数据集，如果您执行随机抽样并且适当地需要分层抽样，则可以引入抽样偏差（即，仅从预期目标属性预期范围的特定区域不成比例地记录数据）。
实际上，您需要通过合并此连续功能来创建新的分类功能。然后，您可以对该分类功能执行分层抽样。在训练数据之前，请确保删除此新的分类功能！
但是，要做到这一点，您需要对自己的特征有一个很好的了解，我怀疑对弱预测能力的特征进行分层采样是否有很多意义。我猜如果通过执行非随机采样在数据中引入一些意外偏差，甚至可能会造成危害。
带回家消息：
我的直觉是，连续特征的分层采样应始终是信息和理解的先导。就是说，如果您知道某个功能是目标变量的有力预测指标，并且还知道跨其值的采样是不均匀的，则您可能希望执行分层采样以确保在训练和验证集。