Conjuntos de treino e teste

Pré-processamento para Machine Learning em Python

James Chapman

Curriculum Manager, DataCamp

Por que dividir?

 

  1. Reduz o overfitting
  2. Avalia o desempenho em um holdout
Pré-processamento para Machine Learning em Python

Dividindo seu conjunto de dados

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

   X_train y_train            
0      1.0       n
1      4.0       n
       ...
5      5.0       n
6      6.0       n

   X_test y_test
0     9.0      y
1     1.0      n
2     4.0      n
Pré-processamento para Machine Learning em Python

Amostragem estratificada

 

  • Conjunto com $100$ amostras: $80$ classe 1 e $20$ classe 2
  • Treino com $75$ amostras: $60$ classe 1 e $15$ classe 2
  • Teste com $25$ amostras: $20$ classe 1 e $5$ classe 2
Pré-processamento para Machine Learning em Python

Amostragem estratificada

X_train,X_test,y_train,y_test = train_test_split(X, y, stratify=y, random_state=42)

y["labels"].value_counts()

class1    80
class2    20
Name: labels, dtype: int64
Pré-processamento para Machine Learning em Python

Amostragem estratificada

y_train["labels"].value_counts()

class1    60
class2    15
Name: labels, dtype: int64

y_test["labels"].value_counts()

class1    20
class2    5
Name: labels, dtype: int64
Pré-processamento para Machine Learning em Python

Vamos praticar!

Pré-processamento para Machine Learning em Python

Preparing Video For Download...