我正在学习sklearn，但对train_test_split()函数为什么会输出4个部分以及它们的区别不是很理解。
我在文档中找到了一些例子，但这些例子不足以消除我的疑惑。
代码是用X_train来预测X_test，还是用X_train来预测y_test？
训练数据和测试数据有什么区别？我是用训练数据来预测测试数据，还是类似的情况？
我对此非常困惑。下面是我在文档中找到的例子。
>>> import numpy as np >>> from sklearn.model_selection import train_test_split >>> X, y = np.arange(10).reshape((5, 2)), range(5) >>> Xarray([[0, 1], [2, 3], [4, 5], [6, 7], [8, 9]]) >>> list(y) [0, 1, 2, 3, 4] >>> X_train, X_test, y_train, y_test = train_test_split( ... X, y, test_size=0.33, random_state=42) ... >>> X_train array([[4, 5], [0, 1], [6, 7]]) >>> y_train [2, 0, 3] >>> X_test array([[2, 3], [8, 9]]) >>> y_test [1, 4] >>> train_test_split(y, shuffle=False) [[0, 1, 2], [3, 4]]回答：
下面是一个示例用的虚拟pandas.DataFrame：
这里我们有3列，X1,X2,Y，假设X1 & X2是你的自变量，'Y'列是你的因变量。
X = df[['X1','X2']]y = df['Y']使用sklearn.model_selection.train_test_split，你可以将数据分成4个部分，这些部分将用于拟合和预测值。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.4,random_state=42) X_train, X_test, y_train, y_test现在
1). X_train – 这包含了你所有的自变量，这些将用于训练模型，因为我们指定了test_size = 0.4，这意味着从你的完整数据中将有60%的观察值用于训练/拟合模型，其余40%将用于测试模型。
2). X_test – 这是数据中剩余的40%的自变量部分，这些不会在训练阶段使用，而是用于进行预测以测试模型的准确性。
3). y_train – 这是你的模型需要预测的因变量，包括对你的自变量的类别标签，我们在训练/拟合模型时需要指定我们的因变量。
4). y_test – 这些数据包含你的测试数据的类别标签，这些标签将用于测试实际和预测类别之间的准确性。
现在你可以在这个数据上拟合一个模型，让我们拟合sklearn.linear_model.LogisticRegression
logreg = LogisticRegression()logreg.fit(X_train, y_train) #这是训练发生的地方y_pred_logreg = logreg.predict(X_test) #在测试数据上进行预测以测试模型print('Logistic Regression Train accuracy %s' % logreg.score(X_train, y_train)) #训练准确度#Logistic Regression Train accuracy 0.8333333333333334print('Logistic Regression Test accuracy %s' % accuracy_score(y_pred_logreg, y_test)) #测试准确度#Logistic Regression Test accuracy 0.5print(confusion_matrix(y_test, y_pred_logreg)) #混淆矩阵print(classification_report(y_test, y_pred_logreg)) #分类报告你可以在这里阅读更多关于指标的信息
希望这对你有帮助:)
