Ответы:
Вы могли бы просто использовать sklearn.model_selection.train_test_split
дважды. Сначала разделить на тренировку, протестировать, а затем снова разделить поезд на валидацию и тренировку. Что-то вроде этого:
X_train, X_test, y_train, y_test
= train_test_split(X, y, test_size=0.2, random_state=1)
X_train, X_val, y_train, y_val
= train_test_split(X_train, y_train, test_size=0.2, random_state=1)
train_test_split
вы делаете это за предыдущий сплит 80/20. Таким образом, ваш val составляет 20% от 80%. Разделенные пропорции не очень просты в этом смысле.
На SO есть отличный ответ на SO, который использует numpy и pandas.
Команда (см. Ответ для обсуждения):
train, validate, test = np.split(df.sample(frac=1), [int(.6*len(df)), int(.8*len(df))])
производит разбивку на 60%, 20%, 20% для наборов обучения, проверки и тестирования.
.6
значение 60% ... но что это .8
значит?
np.split
разделится на 60% длины перетасованного массива, а затем на 80% длины (что является дополнительными 20% данных), оставляя, таким образом, оставшиеся 20% данных. Это связано с определением функции. Вы можете проверить / поиграть с:, x = np.arange(10.0)
а затемnp.split(x, [ int(len(x)*0.6), int(len(x)*0.8)])
Чаще всего вы обнаружите, что не разбиваете его один раз, но на первом этапе вы разделите свои данные в обучающем и тестовом наборе. Впоследствии вы будете выполнять поиск параметров, включающий более сложные разбиения, такие как перекрестная проверка, с алгоритмом «разбить по k-сгибу» или «оставить один» (LOO).
Вы можете использовать train_test_split
дважды. Я думаю, что это наиболее просто.
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=1)
X_train, X_val, y_train, y_val = train_test_split(
X_train, y_train, test_size=0.25, random_state=1)
Таким образом, train
, val
, test
набор будет 60%, 20%, 20% набора данных соответственно.
В приведенном выше наилучшем ответе не упоминается, что разделение два раза с использованием train_test_split
неизменяемых размеров разделов не даст изначально предполагаемый раздел:
x_train, x_remain = train_test_split(x, test_size=(val_size + test_size))
Тогда часть проверочных и тестовых наборов в x_remain изменится и может быть посчитана как
new_test_size = np.around(test_size / (val_size + test_size), 2)
# To preserve (new_test_size + new_val_size) = 1.0
new_val_size = 1.0 - new_test_size
x_val, x_test = train_test_split(x_remain, test_size=new_test_size)
В этом случае все начальные разделы сохраняются.
Вот другой подход (предполагает равное трехстороннее разделение):
# randomly shuffle the dataframe
df = df.reindex(np.random.permutation(df.index))
# how many records is one-third of the entire dataframe
third = int(len(df) / 3)
# Training set (the top third from the entire dataframe)
train = df[:third]
# Testing set (top half of the remainder two third of the dataframe)
test = df[third:][:third]
# Validation set (bottom one third)
valid = df[-third:]
Это может быть сделано более кратким, но я держал это подробным для целей объяснения.
Учитывая train_frac=0.8
, эта функция создает разделение 80% / 10% / 10%:
import sklearn
def data_split(examples, labels, train_frac, random_state=None):
''' https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html
param data: Data to be split
param train_frac: Ratio of train set to whole dataset
Randomly split dataset, based on these ratios:
'train': train_frac
'valid': (1-train_frac) / 2
'test': (1-train_frac) / 2
Eg: passing train_frac=0.8 gives a 80% / 10% / 10% split
'''
assert train_frac >= 0 and train_frac <= 1, "Invalid training set fraction"
X_train, X_tmp, Y_train, Y_tmp = sklearn.model_selection.train_test_split(
examples, labels, train_size=train_frac, random_state=random_state)
X_val, X_test, Y_val, Y_test = sklearn.model_selection.train_test_split(
X_tmp, Y_tmp, train_size=0.5, random_state=random_state)
return X_train, X_val, X_test, Y_train, Y_val, Y_test
Добавление к ответу @ hh32 при соблюдении любых заранее определенных пропорций, таких как (75, 15, 10):
train_ratio = 0.75
validation_ratio = 0.15
test_ratio = 0.10
# train is now 75% of the entire data set
# the _junk suffix means that we drop that variable completely
x_train, x_test, y_train, y_test = train_test_split(dataX, dataY, test_size=1 - train_ratio)
# test is now 10% of the initial data set
# validation is now 15% of the initial data set
x_val, x_test, y_val, y_test = train_test_split(x_test, y_test, test_size=test_ratio/(test_ratio + validation_ratio))
print(x_train, x_val, x_test)
Расширение ответа @ hh32 с сохранением соотношений.
# Defines ratios, w.r.t. whole dataset.
ratio_train = 0.8
ratio_val = 0.1
ratio_test = 0.1
# Produces test split.
x_remaining, x_test, y_remaining, y_test = train_test_split(
x, y, test_size=test_ratio)
# Adjusts val ratio, w.r.t. remaining dataset.
ratio_remaining = 1 - ratio_test
ratio_val_adjusted = ratio_val / ratio_remaining
# Produces train and val splits.
x_train, x_val, y_train, y_val = train_test_split(
x_remaining, y_remaining, test_size=ratio_val_adjusted)
Поскольку оставшийся набор данных уменьшается после первого разделения, новые соотношения по отношению к сокращенному набору данных должны быть рассчитаны путем решения уравнения: