Cara membuat set kereta dan pengujian dari pandas dataframe

Saat menyesuaikan model pembelajaran mesin ke kumpulan data, kami sering membagi kumpulan data menjadi dua kumpulan:

1. Training set: digunakan untuk melatih model (70-80% dari dataset asli)

2. Test set: digunakan untuk mendapatkan estimasi performa model yang tidak bias (20-30% dari dataset asli)

Di Python, ada dua cara umum untuk membagi pandas DataFrame menjadi set pelatihan dan set pengujian:

Metode 1: Gunakan train_test_split() sklearn

 from sklearn. model_selection import train_test_split

train, test = train_test_split(df, test_size= 0.2 , random_state= 0 )

Metode 2: gunakan sample() dari panda

 train = df. sample (frac= 0.8 , random_state= 0 )
test = df. drop ( train.index )

Contoh berikut menunjukkan cara menggunakan setiap metode dengan pandas DataFrame berikut:

 import pandas as pd
import numpy as np

#make this example reproducible
n.p. random . seeds (1)

#create DataFrame with 1,000 rows and 3 columns
df = pd. DataFrame ( {' x1 ': np.random.randint (30,size=1000),
                   ' x2 ': np. random . randint (12, size=1000),
                   ' y ': np. random . randint (2, size=1000)})

#view first few rows of DataFrame
df. head ()

        x1 x2 y
0 5 1 1
1 11 8 0
2 12 4 1
3 8 7 0
4 9 0 0

Contoh 1: gunakan train_test_split() dari sklearn

Kode berikut menunjukkan cara menggunakan fungsi sklearn train_test_split() untuk membagi panda DataFrame menjadi set pelatihan dan pengujian:

 from sklearn. model_selection import train_test_split

#split original DataFrame into training and testing sets
train, test = train_test_split(df, test_size= 0.2 , random_state= 0 )

#view first few rows of each set
print ( train.head ())

     x1 x2 y
687 16 2 0
500 18 2 1
332 4 10 1
979 2 8 1
817 11 1 0

print ( test.head ())

     x1 x2 y
993 22 1 1
859 27 6 0
298 27 8 1
553 20 6 0
672 9 2 1

#print size of each set
print (train. shape , test. shape )

(800, 3) (200, 3)

Dari hasilnya kita dapat melihat bahwa dua set telah dibuat:

• Set pelatihan: 800 baris dan 3 kolom
• Set pengujian: 200 baris dan 3 kolom

Perhatikan bahwa test_size mengontrol persentase observasi dari DataFrame asli yang akan menjadi bagian dari set pengujian dan nilai random_state membuat pemisahan dapat direproduksi.

Contoh 2: Gunakan sample() dari pandas

Kode berikut menunjukkan cara menggunakan fungsi pandas sample() untuk membagi pandas DataFrame menjadi set pelatihan dan pengujian:

 #split original DataFrame into training and testing sets
train = df. sample (frac= 0.8 , random_state= 0 )
test = df. drop ( train.index )

#view first few rows of each set
print ( train.head ())

     x1 x2 y
993 22 1 1
859 27 6 0
298 27 8 1
553 20 6 0
672 9 2 1

print ( test.head ())

    x1 x2 y
9 16 5 0
11 12 10 0
19 5 9 0
23 28 1 1
28 18 0 1

#print size of each set
print (train. shape , test. shape )

(800, 3) (200, 3)

Dari hasilnya kita dapat melihat bahwa dua set telah dibuat:

• Set pelatihan: 800 baris dan 3 kolom
• Set pengujian: 200 baris dan 3 kolom

Perhatikan bahwa frac mengontrol persentase observasi dari DataFrame asli yang akan menjadi bagian dari set pelatihan dan nilai random_state membuat pemisahan dapat direproduksi.

Sumber daya tambahan

Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:

Cara Melakukan Regresi Logistik dengan Python
Cara Membuat Matriks Kebingungan dengan Python
Cara menghitung presisi seimbang dengan Python