Trainings- und Testsets

Vorverarbeitung für Machine Learning in Python

James Chapman

Curriculum Manager, DataCamp

Warum aufteilen?

Verringert Overfitting
Leistung am Holdout-Set bewerten

Den Datensatz aufteilen

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

Stratifiziertes Sampling

Datensatz mit $100$ Stichproben: $80$ Klasse 1 und $20$ Klasse 2
Trainingsset mit $75$ Stichproben: $60$ Klasse 1 und $15$ Klasse 2
Testset mit $25$ Stichproben: $20$ Klasse 1 und $5$ Klasse 2

Stratifiziertes Sampling

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

Stratifiziertes Sampling

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

Lass uns üben!

Vorverarbeitung für Machine Learning in Python