使用StratifiedShuffleSplit()函数划分数据

在学习kaggle上的titanic比赛时，学习到了StratifiedShuffleSplit函数，用于分层抽样分割数据的交叉验证迭代器，适用于分类任务中保持类别比例。不同于train_test_split这个随机打乱分割数据集。

1. StratifiedShuffleSplit()函数

from sklearn.model_selection import StratifiedShuffleSplit
sss = StratifiedShuffleSplit(n_splits=10, test_size=’default’, train_size=None, random_state=None)

        n_splits

• 作用：控制分割迭代次数（默认为10）。

• 示例：n_splits=5 表示生成5个训练-测试集对。

        test_size

• 作用：指定测试集比例或样本数。

• 类型：float（比例）或 int（绝对数量），默认为0.1。

• 示例：test_size=0.2 表示测试集占20%。

        train_size

• 作用：指定训练集比例或样本数（与 test_size 互补）。

• 类型：类似 test_size，默认自动补全剩余部分。

        random_state

• 作用：随机种子，确保结果可复现。

• 示例：random_state=42 固定随机性。

2.使用Split()函数分割数据

for train_index, test_index in sss.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

• X: 特征数据 (array-like, shape (n_samples, n_features))

• y: 目标变量 (array-like, shape (n_samples,))，用于分层抽样

• groups (可选): 用于分组交叉验证的组标识

划分策略：先根据 y 的类别分布计算分层比例，对每个类别单独进行随机打乱，按照指定的 test_size/train_size 划分数据，确保每个划分都保持原始类别比例，最后返回划分后的索引。