train_test_split 是二进制分类所必需的吗？为啥会有 4 个结果？

Posted 2023-03-12

【中文标题】train_test_split 是二进制分类所必需的吗？为啥会有 4 个结果？

【英文标题】：Is train_test_split necessary for binary classification? And why are there 4 outcomes?train_test_split 是二进制分类所必需的吗？为什么会有 4 个结果？

【发布时间】：2019-10-12 11:09:59

【问题描述】：

为什么在 sklearn 中 train_test_split 有 4 个结果？如果测试数据没有y_data，为什么还有y_test？

【问题讨论】：

如果你有可用的训练和测试数据，那么我很困惑为什么你需要使用train_test_split。 train_test_split 是获取一个数据矩阵，并有目的地将它们拆分为训练和测试集。如果您已经拥有它们，则无需这样做？

我的意思是 train_test_split 的结果是 x_train、y_train、x_test、y_test，而我只有训练和测试数据。 4 个结果的需求是什么？

我的意思是你甚至不需要使用它，因此你不需要四个结果。这四种结果是当您尚未将数据拆分为训练和测试时。它只是一个数据矩阵，您想要从中获得训练和测试。因为这项工作已经为您完成，您甚至不需要使用它。

好的，那为什么 train_test_split 有 4 个结果，而不是简单地分成 2 个呢？

我认为您没有理解我的回答。您为 train_test_split 提供 one 数据矩阵和 one 标签向量。此数据矩阵和标签向量尚未分为训练和测试。工作就是这样做。所以现在，你只有两件事——数据矩阵和标签向量。我们得到四个因为我们将数据矩阵分成训练和测试集。因此，我们得到一个分割数据矩阵和标签向量作为训练集，测试集也是如此（因此 2 + 2 = 4）。我真的不知道该怎么解释。

【参考方案1】：

您获得 4 个结果的原因是因为您获得了：train_features、test_features、train_labels 和 test_labels (X_train, X_test, y_train, y_test)。因此，它不仅将数据集拆分为训练集和测试集，还拆分了标签。 （所以 2 + 2 = 4 个结果）。

【讨论】：

由于测试数据不包含当前的二进制标签，这是否意味着 y_test 为空？

如果没有标签，您将如何训练（和测试）？ train_test_split 仅在您有标签时才有用。你可以对未标记的数据进行分类，但是你如何测试分类的性能（你使用 train_test_split 的东西）？

我的错误是混淆了验证集和测试集。

【参考方案2】：

查看documentation，您可以看到第一个参数是 *arrays，这意味着您可以在其中放置任意数量的数组。现在，它返回了什么？

Returns:    splitting : list, length=2 * len(arrays)

这意味着它返回的数组数量是 train_test_split 函数中传递的数组数量的两倍。

因此，如果您已经有一个训练集和一个测试集，那么拆分训练集才有意义，这样您就可以拥有一个验证集来检查模型性能。

例如：

train_data, validation_data, train_label, validation_label= train_test_split(original_train_data, original_train_label)

请注意，如果您将数据和标签放在分离的向量中，您还必须拆分标签。

【参考方案3】：

因为您已将原始数据拆分为训练和测试部分。所以会有四种结果。

1 (X_train, Y_train) 其中 X_train 是训练点，而 Y_train 是它们各自的类标签。现在这是您的训练数据，将用于使用任何经典模型（如 K-NN、逻辑回归、决策树）训练您的模型。

2 (X_test,Y_test) 其中 X_test 代表您的测试数据点，y_train 是这些测试点各自的类标签。现在，一旦您训练了模型并计算了训练误差/准确度，您就可以使用这些点来查看经过训练的模型是否正确预测数据。训练和测试误差之间的差异越小越好。

这就是为什么你会得到 4 个结果，每个结果对 2 个。

希望这会有所帮助。