Veri bölme

Veri train_test_split ile eğitim ve test kümelerine ayrılır.

stratify

Sınıflar dengesizse rastgele bölme test kümesinde bir sınıfı az ya da hiç bırakmayabilir. stratify=y, her iki kümede sınıf oranlarını korur:

X_tr, X_te, y_tr, y_te = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=0)

Sınıflandırma problemlerinde stratify=y neredeyse her zaman iyi bir varsayılandır.

Doğrulama kümesi

Model ayarlarını (hiperparametreleri) test kümesine bakarak seçersen test kümesi de dolaylı olarak "öğrenilmiş" olur. Bu yüzden üçlü bölme kullanılır:

X_tmp, X_test, y_tmp, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
X_train, X_val, y_train, y_val = train_test_split(X_tmp, y_tmp, test_size=0.25, random_state=0)
# sonuç: %60 eğitim, %20 doğrulama, %20 test

Ayarlar doğrulama kümesiyle seçilir; test kümesi yalnızca en sonda, bir kez kullanılır.

Uygulama Katmanlı bölme

16 sıfır ve 4 birden oluşan y ile test_size=0.25, stratify=y, random_state=0 kullanarak böl. Test etiketlerinin toplamını (1 sayısını) yazdır.

Örnek çözümü göster

from sklearn.model_selection import train_test_split

X = [[i] for i in range(20)]
y = [0] * 16 + [1] * 4

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, stratify=y, random_state=0)
print(sum(y_test))

Kendini test et

%90'ı 0, %10'u 1 olan etiketlerle <code>stratify=y</code> kullanılırsa test kümesinde 1'lerin oranı ne olur?
- Yaklaşık %10
- %50
- %0
- Rastgele
Cevabı göster

Yaklaşık %10 — Katmanlı bölme her kümede özgün sınıf oranını korur.

Bölmede sınıf oranlarını koru.

train_test_split(X, y, test_size=0.2, ____=y)

Cevabı göster

train_test_split(X, y, test_size=0.2, stratify=y)

Kümeleri görevleriyle eşleştir.

Eğitim

Model öğrenir
Doğrulama

Ayarlar seçilir
Test

En sonda bir kez ölçülür
stratify

Sınıf oranını korur

Sıradaki ders: Özet - Veri ön işleme

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler