train_test_split 是 sklearn.model_selection 模块里的一个函数，它的主要用途是把数据集划分为训练集和测试集。在机器学习中，为了评估模型的泛化能力，通常需要将数据集分成两部分：一部分用于训练模型（训练集），另一部分用于测试模型的性能（测试集）。train_test_split 函数可以方便地完成这个划分任务。
函数原型
sklearn.model_selection.train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)
参数解释
*arrays：这是一个可变参数，代表要划分的数组，可以是特征矩阵X、目标标签y等。这些数组的行数必须相同，因为它们代表相同的样本。test_size：浮点数、整数或者None，默认值是None。若为浮点数，其范围应在 0.0 到 1.0 之间，表示测试集占总样本的比例；若为整数，则表示测试集的样本数量；若为None，则会根据train_size来确定，若train_size也为None，则test_size会被设为 0.25。train_size：浮点数、整数或者None，默认值是None。若为浮点数，范围应在 0.0 到 1.0 之间，表示训练集占总样本的比例；若为整数，则表示训练集的样本数量。random_state：整数、RandomState实例或者None，默认值是None。它作为随机数生成器的种子，保证每次划分的结果可重复。若为None，则每次划分的结果会不同。shuffle：布尔值，默认值是True。若为True，则在划分前会对数据集进行洗牌；若为False，则直接按顺序划分。stratify：数组或者None，默认值是None。若不为None，则会按照这个数组的类别分布进行分层抽样，保证训练集和测试集中各类别的比例与原数据集一致，这在处理不平衡数据集时非常有用。
返回值
返回值是一个元组，元组中的元素数量是传入 arrays 参数数量的两倍，依次为训练集的各个数组和测试集的各个数组。例如，若传入 X 和 y 两个数组，返回值为 (X_train, X_test, y_train, y_test)。
示例代码
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# 生成一个分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建逻辑回归模型
model = LogisticRegression()
# 训练模型
model.fit(X_train, y_train)
# 进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
在这个示例中，首先使用 make_classification 生成一个分类数据集，然后使用 train_test_split 函数将数据集划分为训练集和测试集，其中测试集占总样本的 20%。接着使用逻辑回归模型对训练集进行训练，并在测试集上进行预测，最后计算模型的准确率。
注意：本文归作者所有，未经作者允许，不得转载
