如何进行训练测试拆分，以便在Python中每个类都有足够的训练和测试数据？

Question

我有一个5类的数据集，其分布如下：

从分布中可以明显看出，类别1的样本非常少。

如何对这些数据进行训练测试拆分，以使Python中每个类别的训练和测试数据都足够？

Answer 1

在stratify中将train_test_split参数设置为目标列。

stratify将确保每个类均分。 Doc

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, stratify=y)

Answer 2

train_test_split函数在默认情况下会在拆分之前对数据集进行随机排序，除非您将shuffle参数值设置为False。而且我认为，如果shuffle为True，则可以确保训练的数据集部分具有来自所有类别的值。另外，如果您希望train_test_split的结果具有确定性，则可以使用random_state参数。请参阅documentation了解更多信息。希望对您有所帮助。