У меня есть набор данных, который я хочу разделить на обучение и тестирование, чтобы у меня были данные в тестовом наборе из каждого источника данных (указанного в столбце «источник») и из каждого класса (указанного в столбце «класс»). Я читал об использовании параметра stratifiy
с функцией scikitlearn
train_test_split
, но как я могу использовать его для двух столбцов?
разделить тестовые данные с помощью стратификации на два столбца в scikit-learn
comment
вам нужно написать для этого свою собственную оболочку, в настоящее время эта функция недоступна в sklearn.
- person Venkatachalam   schedule 10.03.2020
Ответы (1)
Стратификация по нескольким столбцам легко выполняется с помощью sklearn's
train_test_split
, начиная с версии 19.0.
Доказательство
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_multilabel_classification
X, Y = make_multilabel_classification(1000000, 10, n_classes=2, n_labels=1)
train_X, test_X, train_Y, test_Y =train_test_split(X,Y,stratify=Y, train_size=.8, random_state=42)
Y.shape
(1000000, 2)
Затем вы можете сравнить простые столбцы средних значений результирующих стратификаций:
train_Y[:,0].mean(), test_Y[:,0].mean()
(0.45422, 0.45422)
train_Y[:,1].mean(), test_Y[:,1].mean()
(0.23472375, 0.234725)
Выполните статистический t-test
на равенство средних:
from scipy.stats import ttest_ind
ttest_ind(train_Y[:,0],test_Y[:,0])
Ttest_indResult(statistic=0.0, pvalue=1.0)
И, наконец, сделайте то же самое для условных средств, чтобы доказать, что вы действительно достигли того, чего хотели:
train_Y[train_Y[:,0].astype("bool"),1].mean(), test_Y[test_Y[:,0].astype("bool"),1].mean()
(0.43959149751221877, 0.43958874554180793)
person
Sergey Bushmanov
schedule
10.03.2020