数据集的切分

sklearn提供了将数据集切分成测试集和训练集，通常按照（训练集和测试集）70%和30%、75%和25%、80%和20%切分
sklearn.model_selection提供的train_test_split(*arrays,test_size=None, train_size=None, random_state=None)方法可以对数据集进行切分，参数如下:
arrays: 一个或多个数组或数据框。这些是需要分割的数据集，通常是特征数组 X 和目标数组 y
test_size:
浮点数：表示测试集所占比例（例如，0.2 表示20%的数据用于测试集）。
整数：表示测试集中样本的绝对数量
默认值为 None，表示由 train_size 参数来确定。比例为25%
train_size：同上，只不过表示的是训练集的规模
random_state: 随机数种子，用于重现随机拆分。可选值：
整数：确保每次运行代码时的随机拆分是相同的。
None：使用默认的随机数生成器。
返回值类型是:
x_train: 训练集的特征数据。数据类型与输入的特征数组 X 相同，通常是 NumPy 数组、pandas 数据框或类似的数组结构。
x_test: 测试集的特征数据。数据类型与输入的特征数组 X 相同。
y_train: 训练集的目标数据。数据类型与输入的目标数组 y 相同，通常是 NumPy 数组、pandas 系列或类似的数组结构。
y_test: 测试集的目标数据。数据类型与输入的目标数组 y 相同。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
iris = load_iris()
x_train, x_test, y_train, y_test = train_test_split(iris.data,iris.target, test_size=0.2, train_size=0.8, random_state=None)
print(f"训练集的特征值为：\n{x_train}\n规模为:{x_train.shape}")
print(f"测试集的特征值为：\n{x_test}\n规模为：{x_test.shape}")
print(f"训练集的目标值为:\n{y_train}\n规模为:{y_train.shape}")
print(f"测试集的目标值为：\n{y_test}\n规模为：{y_test.shape}")