鸢尾花案例之切分训练集和测试集

1 课程概览

本课讲解如何使用train_test_split函数将数据集划分为训练集和测试集。详细讲解函数的参数（特征数据、标签数据、测试集比例、随机种子）和返回值（x_train, x_test, y_train, y_test），并强调随机种子的重要性——固定种子可保证每次划分结果一致。

2 核心概念与定义

• train_test_split：sklearn.model_selection模块中的函数，用于切分训练集和测试集。
• test_size：测试集比例，如0.2表示20%数据作为测试集。
• random_state：随机种子，固定后每次划分结果一致。
• 训练集（Train Set）：用于训练模型的数据。
• 测试集（Test Set）：用于评估模型的数据。

3 算法与模型详解

3.1 数据集划分比例

鸢尾花150条数据，8:2划分：训练集120条，测试集30条。

3.2 train_test_split函数

导入：

from sklearn.model_selection import train_test_split

参数：

返回值（元组）：

x_train, x_test, y_train, y_test = train_test_split(...)

3.3 随机种子的重要性

为什么需要固定随机种子：

• 保证实验可复现
• 便于对比不同模型的效果
• 避免因数据划分不同导致的分析偏差

random_state的值可任意指定（如23、100等），不同值对应不同的划分方案。

4 数学原理与推导

本课无数学推导。

5 代码示例

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

def dm03_split_train_test():
    # 1. 加载数据集
    iris_data = load_iris()
    
    # 2. 按照8:2的比例切分训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(
        iris_data.data,      # 特征数据
        iris_data.target,    # 标签数据
        test_size=0.2,       # 测试集比例20%
        random_state=23      # 随机种子（固定后每次结果一致）
    )
    
    # 3. 打印切分后的结果
    print("训练集的特征：", len(x_train))      # 120
    print("训练集的标签：", len(y_train))      # 120
    print("测试集的特征：", len(x_test))        # 30
    print("测试集的标签：", len(y_test))        # 30

if __name__ == '__main__':
    dm03_split_train_test()

输出：

训练集的特征： 120
训练集的标签： 120
测试集的特征： 30
测试集的标签： 30

6 重难点与易错提醒

• ❗重点：train_test_split返回值为元组，按x_train, x_test, y_train, y_test顺序接收。
• ❗重点：random_state固定后，每次划分结果一致，保证实验可复现。
• ❗重点：test_size=0.2表示20%数据作为测试集，80%作为训练集。
• ⚠️易错：不指定random_state时，每次运行结果不同（随机种子为当前时间）。
• ⚠️易错：返回值顺序是x_train, x_test, y_train, y_test，不要写反。
• 💡深入理解：random_state的值可任意指定，不同值对应不同的划分方案。

7 课堂问答精选

Q: 为什么需要固定随机种子？

A: 如果不固定随机种子，每次运行程序时数据划分结果都不同（随机种子为当前时间毫秒值），导致无法复现实验结果，也不便对比不同模型的效果。固定随机种子后，每次划分结果一致，保证实验可复现。

Q: random_state的值必须写23吗？

A: 不是。random_state的值可以任意指定（如23、100、42等），不同值对应不同的划分方案。写23只是因为班级是23期，实际开发中可以写任意值。

8 本课小结

• train_test_split用于切分训练集和测试集，位于sklearn.model_selection。
• 参数：特征数据、标签数据、test_size（测试集比例）、random_state（随机种子）。
• 返回值：x_train, x_test, y_train, y_test（元组顺序）。
• 固定random_state可保证每次划分结果一致，实验可复现。

9 延伸思考与实践

• 实践：修改test_size为0.3，观察训练集和测试集数量变化。
• 思考：为什么返回值顺序是x_train, x_test, y_train, y_test？
• 预习：鸢尾花案例的模型训练、评估和预测。