划分训练集和测试集并指定训练测试比例（R语言实现）

划分训练集和测试集并指定训练测试比例（R语言实现）

在机器学习中，为了评估模型的性能和泛化能力，常常需要将数据集划分为训练集和测试集。训练集用于模型的参数估计和训练，而测试集用于评估模型在未见过数据上的性能。本文将介绍如何使用R语言对数据集进行划分，并指定训练测试比例。

首先，我们需要准备一个数据集，并确保它已经被加载到R环境中。假设我们的数据集存储在一个名为data的数据框中。

# 创建示例数据框
data <- data.frame(
  x = 1:100,
  y = rnorm(100)
)

接下来，我们可以使用caret包中的createDataPartition函数来划分训练集和测试集。该函数会根据指定的比例将数据集中的样本随机划分到训练集和测试集中。

# 安装和加载caret包
install.packages("caret")
library(caret)

# 指定划分比例
train_test_ratio <- 0.8

# 划分数据集
set.seed(123)  # 设置随机种子，确保结果的可复现性
index <- createDataPartition(data$y, p = train_test_ratio, list = FALSE)
train_data <- data[index, ]
test_data <-