遥感&机器学习入门实战教程｜Sklearn案例⑭：数据划分与交叉验证（KSC 真实数据）

在机器学习与遥感影像分类实验中，很多同学往往把关注点放在“模型选型”上，却忽视了一个最根本的问题：如何划分数据集。 如果划分不合理，就算模型再复杂，得到的实验结果也可能存在偏差甚至“虚高”，难以在真实场景中复现。

在之前的几篇文章里，我们一直使用 train_test_split 简单地划分训练集和测试集。事实上，这种方法虽然直观，但存在两个不足：

1. 偶然性强：有可能一次划分恰好“运气好”，导致结果比实际更高。

2. 类别不均衡时不稳健：如果某一类样本数量很少，随机划分可能把这类几乎全部分配到训练集或测试集，造成模型无法正常学习。

本篇我们结合 KSC 高光谱真实数据，深入介绍 sklearn.model_selection 提供的各种科学划分方法，包括：

• 单次分层划分（train_test_split）

• KFold 交叉验证

• StratifiedKFold 分层交叉验证

• Pipeline + cross_val_score 的标准实践 并通过图示直观展示交叉验证的划分方式。

  往期内容和数据链接如下：