一、前言

簡要介紹數據劃分在機器學習中的作用。

二、數據劃分方法

1. 留出法（Hold-out）

• 使用 train_test_split 將數據分為訓練集和測試集。
• 代碼片段：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=0)
print('Train obs: ', len(X_train))
print('Test obs: ', len(X_test))

2. K折交叉驗證（K-Fold）

• 用 KFold 將數據分為多折，循環訓練和測試。
• 代碼片段：

from sklearn.model_selection import KFold
X = np.random.randn(20, 1)
# 創建一個KFold對象,將數據分為5份，shuffle=True表示在分割前會先打亂數據
# 設置一個random state保證每次打亂的結果一致
kf = KFold(n_splits=5, shuffle=True, random_state=10)
#kf.get_n_splits(X)
for train_index, test_index in kf.split(X):print(train_index, test_index)
# 創建一個KFold對象,將數據分為5份，不打亂數據
kf = KFold(n_splits=5, shuffle=False)
#kf.get_n_splits(X)
for train_index, test_index in kf.split(X):print(train_index, test_index)    

Note：假設總共有N個樣本，K折交叉驗證會將數據平均分成K份。每一折中，test_index的數量大約是 N/K（如果N不能被K整除，有的折會多一個或少一個），其余的樣本作為訓練集，train_index的數量就是N- test_index 的數量。在本例中，test_index的數量是20/5=4。

3. 留一法（Leave-One-Out）

• 每次留一個樣本做測試，其余做訓練。
• 代碼片段：

from sklearn.model_selection import LeaveOneOut
loo = LeaveOneOut()
loo.get_n_splits(X)
for train_index, test_index in loo.split(X):print(train_index, test_index)

三、總結

方法名稱	主要思想	sklearn實現	訓練集數量	測試集數量	適用場景與特點
留出法	隨機劃分一部分做訓練，其余做測試	train_test_split	設定比例（如60%）	設定比例（如40%）	簡單高效，適合大數據集
K折交叉驗證	將數據均分為K份，輪流做測試	KFold	N-N/K	N/K	評估更穩定，適合中小數據集
留一法	每次留一個樣本做測試，其余訓練	LeaveOneOut	N-1	1	適合樣本量較小的情況

說明：

• 訓練集數量和測試集數量均為占總樣本數的比例或數量。
• K折法和留一法屬于交叉驗證，能更全面評估模型性能。
• 留出法實現簡單，適合數據量較大時快速實驗。

參考：https://scikit-learn.org/stable/api/sklearn.model_selection.html

博客內容如有錯誤歡迎指正~