Python中StratifiedShuffleSplit函数详解：参数、原理与实战应用

文章开篇首先介绍交叉验证的概念，这一机制同样适用于StratifiedShuffleSplit函数的应用场景。

1. 交叉验证 (Cross-validation)

交叉验证的核心思想是在给定的建模样本中，抽取大部分数据用于模型训练以生成模型，同时保留小部分数据用于预测。通过计算这部分样本的预测误差并累加其平方和，可以评估模型性能。该过程持续进行，直到所有样本均被预测且仅被预测一次。最终，通过比较各组的预测误差，选择误差最小的一组作为最优训练模型。

具体流程如下图所示

2. StratifiedShuffleSplit函数的使用

官方文档参考

基本用法如下：

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

2.1 参数说明

参数 n_splits 用于指定将训练数据划分为 train/test 对的组数，用户可根据实际需求进行设置，默认值为 10。

参数 test_size 和 train_size 用于设定 train/test 对中训练集与测试集所占的比例。具体示例如下：

假设共有 10 个数据样本 num 用于训练和测试集的划分

设置 train_size=0.8 且 test_size=0.2

计算得出训练样本数 train_num = num * train_size = 8，测试样本数 test_num = num * test_size = 2

即经过划分后，10 个数据中有 8 个作为训练数据，2 个作为测试数据

注意：需满足 train_num ≥ 2 且 test_num ≥ 2；此外，test_size 与 train_size 之和可以小于 1

参数 random_state 用于控制样本的随机打乱过程，确保结果的可复现性

2.2 函数作用描述

该函数生成指定数量的独立 train/test 数据集划分，将数据集分割为 n 组。

首先对样本进行随机打乱，随后根据设定的参数划分出对应的 train/test 对。

其创建的每一组划分均保证各类别的比例相同。例如，若第一组训练数据中类别比例为 2:1，则后续所有组的类别划分均严格维持这一比例

2.3 具体实现

from sklearn.model_selection import StratifiedShuffleSplit
import numpy as np
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4],
 [1, 2],[3, 4], [1, 2], [3, 4]])#训练数据集8*2
y = np.array([0, 0, 1, 1,0,0,1,1])#类别数据集8*1

ss=StratifiedShuffleSplit(n_splits=5,test_size=0.25,train_size=0.75,random_state=0)#分成5组，测试比例为0.25，训练比例是0.75

for train_index, test_index in ss.split(X, y):
 print("TRAIN:", train_index, "TEST:", test_index)#获得索引值
 X_train, X_test = X[train_index], X[test_index]#训练集对应的值
 y_train, y_test = y[train_index], y[test_index]#类别集对应的值

运行结果如下：

从结果可以看出：1. 训练集包含 6 个样本，测试集包含 2 个样本，这与预设参数相符；2. 五组划分中，每一组对应的类别比例保持一致

以上关于 Python 中数据集划分函数 StratifiedShuffleSplit 的使用详解即为全部内容，希望能对读者有所帮助，也欢迎大家继续支持本站。