Tränings- och testmängder

Förbehandling för maskininlärning i Python

James Chapman

Curriculum Manager, DataCamp

Varför dela upp?

 

  1. Minskar overfitting
  2. Utvärderar prestanda på en hållen testmängd
Förbehandling för maskininlärning i Python

Dela upp din datamängd

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
Förbehandling för maskininlärning i Python

Stratifierat urval

 

  • Datamängd med $100$ sampel: $80$ klass 1 och $20$ klass 2
  • Träningsset med $75$ sampel: $60$ klass 1 och $15$ klass 2
  • Testset med $25$ sampel: $20$ klass 1 och $5$ klass 2
Förbehandling för maskininlärning i Python

Stratifierat urval

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
Förbehandling för maskininlärning i Python

Stratifierat urval

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
Förbehandling för maskininlärning i Python

Nu kör vi en övning!

Förbehandling för maskininlärning i Python

Preparing Video For Download...