如何将数据集拆分为训练集和验证集类之间的保持比率？

Posted 2023-02-23

【中文标题】如何将数据集拆分为训练集和验证集类之间的保持比率？

【英文标题】：how to split a dataset into training and validation set keeping ratio between classes?

【发布时间】：2015-05-18 20:56:53

【问题描述】：

我有一个多类分类问题，我的数据集有偏差，我有 100 个特定类的实例，说 10 个不同类的实例，所以我想在类之间分割我的数据集保持率，如果我有 100 个实例一个特定的类，我希望 30% 的记录进入训练集中我希望有 30 个代表我的 100 个记录的类的实例和代表我的 10 个记录的类的 3 个实例，依此类推。

【参考方案1】：

您可以使用在线文档中的 sklearn 的 StratifiedKFold：

分层K-Folds交叉验证迭代器

提供训练/测试 在训练测试集中分割数据的索引。

这个交叉验证对象 是返回分层折叠的 KFold 的变体。褶皱是 通过保留每个类的样本百分比来制作。

>>> 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]

这将保留您的班级比例，以便拆分保留班级比例，这将适用于 pandas dfs。

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)

会产生 70% 的分裂。

【参考方案2】：

就这么简单：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                stratify=y, 
                                                test_size=0.25)