Python 3.5（通过anaconda安装）SciKit 0.17.1
我实在无法理解为什么train_test_split()函数会给我提供我认为不可靠的训练案例列表分割结果。
这是一个例子。我的列表trnImgPaths包含3个类别，每个类别有67张图片（总共201张图片）：
['/Caltech101/ferry/image_0001.jpg', ... thru ... '/Caltech101/ferry/image_0067.jpg', '/Caltech101/laptop/image_0001.jpg', ... thru ... '/Caltech101/laptop/image_0067.jpg', '/Caltech101/airplane/image_0001.jpg', ... thru ... '/Caltech101/airplane/image_0067.jpg']我的目标列表trnImgTargets在长度上与此完全匹配，并且类别本身也与trnImgPaths完美对齐。
In[148]: len(trnImgPaths)Out[148]: 201In[149]: len(trnImgTargets)Out[149]: 201如果我运行：
[trnImgs, testImgs, trnTargets, testTargets] = \ train_test_split(trnImgPaths, trnImgTargets, test_size=141, train_size=60, random_state=42)或者
[trnImgs, testImgs, trnTargets, testTargets] = \ train_test_split(trnImgPaths, trnImgTargets, test_size=0.7, train_size=0.3, random_state=42)或者
[trnImgs, testImgs, trnTargets, testTargets] = \ train_test_split(trnImgPaths, trnImgTargets, test_size=0.7, train_size=0.3)虽然我最终得到的结果是：
In[150]: len(trnImgs)Out[150]: 60In[151]: len(testImgs)Out[151]: 141In[152]: len(trnTargets)Out[152]: 60In[153]: len(testTargets)Out[153]: 141但我从未得到训练集完美的20-20-20分割。我可以通过手动检查和使用混淆矩阵进行理智检查来确认这一点。以下是上述每个实验的结果，分别是：
[[19 0 0] [ 0 21 0] [ 0 0 20]][[19 0 0] [ 0 21 0] [ 0 0 20]][[16 0 0] [ 0 22 0] [ 0 0 22]]我期望分割是完全平衡的。为什么会发生这种情况呢？
甚至看起来它可能在事先就误分类了一些案例，因为对于给定类别永远不会有n=22的训练案例。
回答：
简而言之：这是预期的行为。
随机分割并不能保证“平衡”的分割。这就是分层分割的用途（在sklearn中也有实现）。
