sklearn中的train_test_split()函数解析

train_test_split()函数：机器学习中用于分割数据集（训练集和测试集）

X_train,X_test,y_train,y_test = train_test_split(X, y, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)

参数说明：

返回值说明：

1. random_state说明:
   • 为什么要设置这个参数？
     train_test_split 函数将数据集随机拆分成训练集和测试集，如果random_state不设置，则每次运行拆分时得到的训练集和测试集都与上次不相同，构建的模型也就不同
     【示例如下】

>a, b = np.arange(8).reshape(4,2), range(4)
#a，b的值：
a: [[0 1]
   [2 3]
   [4 5]
   [6 7]]
 b:range(0, 4)
 >X_train,X_test,y_train,y_test = train_test_split(a,b)
 >print('训练数据集：\n{}'.format(X_train))
 >print('训练标签集：\n{}'.format(y_train))
 >print('测试数据集：\n{}'.format(X_test))
 >print('测试标签集：\n{}'.format(y_test))

• 第一次运行结果：
  训练数据集：[[6 7] [0 1] [2 3]]
  训练标签集：[3, 0, 1]
  测试数据集：[[4 5]]
  测试标签集：[2]
• 第二次运行结果：
  训练数据集：[[4 5] [6 7] [2 3]]
  训练标签集：[2, 3, 1]
  测试数据集：[[0 1]]
  测试标签集：[0]

可以看出每次运行结果的拆分方式都是随机的

X_train,X_test,y_train,y_test = train_test_split(a,b,random_state=1)

设置了random_state=1后，每次运行结果都是一样的：
训练数据集：[[4 5] [0 1] [2 3]]
训练标签集：[2, 0, 1]
测试数据集：[[6 7]]
测试标签集：[3]

• shuffle说明：
  能够在划分数据前打乱数据，当数据分布不均衡时，可能会导致划分后的训练集和测试集不均匀，比如测试集中的类0占了99%，类1只占了1%（像sklearn中鸢尾花数据集前50个样本都是同一类别,此时打乱数据很有必要，因此默认值为True是合理的）

• stratify说明：
  能够保持划分前类的分布，比如（参考文章）：
  有100个样本，80个属于标签0，20个属于标签1，如果前面参数test_size=0.25，则
  75个训练数据，60个标签为0，15个标签为1
  25个测试数据，20个标签为0，5个标签为1