X_train, X_test, y_train, y_test = train_test_split(X,y, random_state=42)

(1) 参数 y 是目标类别。那么 X 是什么？X 是包含目标类别属性的整个数据集，还是不包含目标类别属性的数据集？

(2) 如果我们有单独的训练和测试数据文件（train.csv, test.csv），我们如何获得 X_train, X_test, y_train, y_test？

回答：

对于机器学习的新手来说，总是感到奇怪的是“test”这个名称被用于两种不同的含义，第一种是作为“验证（valid）”，第二种是作为“真正的（real）”测试。train_test_split 将原始训练数据（X）分割成缩减的训练数据（X_train）和验证数据（X_test），如果在分割前不移除目标类别，那么目标类别会存在于这两部分中。谈到文件 train.csv 和 test.csv，我们谈论的是带有目标类别的训练数据和不带目标类别的“真正”测试数据 – train_test_split 与它们无关。