Как разделить набор данных на обучающие и проверочные наборы, сохраняя соотношение между классами?

Question

У меня проблема классификации нескольких классов, и мой набор данных искажен, у меня есть 100 экземпляров определенного класса и, скажем, 10 из какого-то другого класса, поэтому я хочу разделить соотношение хранения набора данных между классами, если у меня есть 100 экземпляров определенного класса и я хочу, чтобы в обучающем наборе было 30% записей. Я хочу, чтобы там было 30 экземпляров моего класса, представляющего 100 записей, и 3 экземпляра моего класса, представляющего 10 записей, и так далее.

Answer 1

Вы можете использовать Sklearn's StratifiedKFold, из онлайн-документов:

Стратифицированный итератор перекрестной проверки K-Folds

Предоставляет индексы поезда / теста для разделения данных в наборах поездов.

Этот объект перекрестной проверки является вариантом KFold, который возвращает стратифицированные сгибы. Складки сделаны путем сохранения процентного содержания образцов для каждого класса.

>>> from sklearn import cross_validation
>>> X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
>>> y = np.array([0, 0, 1, 1])
>>> skf = cross_validation.StratifiedKFold(y, n_folds=2)
>>> len(skf)
2
>>> print(skf)  
sklearn.cross_validation.StratifiedKFold(labels=[0 0 1 1], n_folds=2,
                                         shuffle=False, random_state=None)
>>> for train_index, test_index in skf:
...    print("TRAIN:", train_index, "TEST:", test_index)
...    X_train, X_test = X[train_index], X[test_index]
...    y_train, y_test = y[train_index], y[test_index]
TRAIN: [1 3] TEST: [0 2]
TRAIN: [0 2] TEST: [1 3]

Это сохранит ваши классовые отношения, так что расщепления сохранят классовые отношения, это будет хорошо работать с pandas dfs.

Как предложено @Ali_m, вы можете использовать StratifiedShuffledSplit который принимает параметр отношения split:

sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)

даст 70% раскола.

Answer 2

Так просто как:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                stratify=y, 
                                                test_size=0.25)

Answer 3

Вы можете просто использовать следующее:

Но убедитесь, что вы сбросили стратификацию с None на метки классов:

msgstr "stratify: like-array or None (по умолчанию None). Если не None, данные разделяются стратифицированно, используя это в качестве меток классов."