python - 如何将数据集拆分为训练集和验证集并保持类之间的比例?

标签 python numpy pandas machine-learning scikit-learn

我有一个多类分类问题,并且我的数据集是倾斜的,我有 100 个特定类的实例,比如说 10 个不同类的实例,所以我想分割我的数据集,保持类之间的比例,如果我有 100 个实例一个特定的类,我希望 30% 的记录进入训练集,我希望有 100 条记录代表类的 30 个实例和 10 条记录代表类的 3 个实例,依此类推。

最佳答案

您可以使用sklearn的StratifiedKFold ,来自在线文档:

Stratified K-Folds cross validation iterator

Provides train/test indices to split data in train test sets.

This cross-validation object is a variation of KFold that returns stratified folds. The folds are made by preserving the percentage of samples for each class.

>>> 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,这对于 pandas dfs 来说可以正常工作。

根据@Ali_m的建议,您可以使用 StratifiedShuffledSplit它接受分流比参数:

sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)

将产生 70% 的分割。

关于python - 如何将数据集拆分为训练集和验证集并保持类之间的比例?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59326153/

相关文章:

python - for 循环中的 if/else

python - 垃圾收集器缺少列表中的最后一个值

arrays - 如何将数组列表转换为Python列表

python - 有没有办法不计算不必要的金额来节省时间?

python - 如何让Flask跨两台不同的机器与Flask通信?

python - 如何将许多 numpy 文件逐个文件放入一个大 numpy 文件中?

python - 迭代数据框中的行,对每行执行计算并将答案放入新列中

python - Pandas 元组 groupby 聚合

python - Pandas df 读取存储在 ".xml?"页中的数据源,该页不是表格式的?

python - 为什么我只得到第一个元素?