Zbiory treningowe i testowe

Preprocessing w uczeniu maszynowym w Pythonie

James Chapman

Curriculum Manager, DataCamp

Dlaczego dzielić?

Zmniejsza przeuczenie
Ocena wydajności na zbiorze walidacyjnym

Podział zbioru danych

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

Próbkowanie stratyfikowane

Zbiór $100$ próbek: $80$ klasy 1 i $20$ klasy 2
Zbiór treningowy $75$ próbek: $60$ klasy 1 i $15$ klasy 2
Zbiór testowy $25$ próbek: $20$ klasy 1 i $5$ klasy 2

Próbkowanie stratyfikowane

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

Próbkowanie stratyfikowane

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

Czas na ćwiczenia!

Preprocessing w uczeniu maszynowym w Pythonie