我有一个多类分类问题，并且我的数据集存在偏差，我有100个特定类的实例，并说10个不同类的实例，所以如果我有100个特定类的实例，我想在各个类之间分配数据集保留率我想让30％的记录进入训练集中，我想让100个记录代表的类有30个实例，而10个记录代表的类有3个实例，依此类推。
您可以StratifiedKFold从在线文档中使用sklearn的：
分层K折交叉验证迭代器
提供训练/测试索引以将数据拆分为训练测试集中的数据。
此交叉验证对象是KFold的变体，它返回分层的折痕。折叠是通过保留每个类别的样品百分比来进行的。
>>> 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]
这将保留您的类别比率，以便拆分保留类别比率，这对于pandas dfs可以正常工作。
如@Ali_m所建议，您可以使用StratifiedShuffledSplit接受分流比参数：
sss = StratifiedShuffleSplit(y, 3, test_size=0.7, random_state=0)
会产生70％的分割
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句