如何将数据集拆分为类之间的训练和验证集保持比率？

Question

我有一个多类分类问题,我的数据集是倾斜的,我有一个特定类的100个实例,并说一些不同类的10个,所以我想在类之间拆分我的数据集保持比例,如果我有100个特定类的实例我希望30%的记录进入训练集我希望有30个实例,我的100个记录代表类,3个实例代表我的10个记录,等等.

Answer 1

您可以使用StratifiedKFold在线文档中的sklearn :

分层K-Folds交叉验证迭代器

提供列车/测试索引以在列车测试集中分割数据.

此交叉验证对象是KFold的变体,可返回分层折叠.通过保留每个类别的样本百分比来进行折叠.

>>> 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]

这将保留您的类比率,以便拆分保留类比率,这将适用于pandas dfs.

正如@Ali_m建议你可以使用StratifiedShuffledSplit它接受分割比例参数:

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

将产生70%的分裂.

Answer 2

就像：

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)