train_test_split, 关于随机抽样和分层抽样

https://zhuanlan.zhihu.com/p/49991313

在将样本数据分成训练集和测试集的时候，应当谨慎地考虑一下是采用纯随机抽样，还是分层抽样。

通常，数据集如果足够大，纯随机抽样的方式，将样本数据分成两个子集是没有太大的问题。

如果不是，纯随机抽样肯可能会导致抽样数据偏差，影响训练效果，降低预测模型预测的准确性。

设想调查公司需要做1000份抽样调查，调查的问题和性别可能有较大的相关性。如果想让调查结果代表全国男性和女性对这些问题的看法，假设全国人口男女比例大致为60：40，那么在1000份问卷也应当尽量保持男女比例达到同样的比例，即参加问卷调查的男女数差不多是600和400。

这个就是分层抽样。

如果参加问卷的男女数比例很不一样，比如女性占到了60%或更多，那么调查结伦就会出现重大偏差。

使用sklearn.model_selection.train_test_split，参数stratify即用来指定按照某一特征进行分层抽样，生成训练集和测试集。

看一下随机抽样和分层抽样时，按照某一特征的取值，在训练集的占比情况。

income_count = housing['income_cat'].value_counts().sort_index()
print('
After categorized:
{}'.format(income_count))
income_count.plot.bar()
plt.show()

print('Overall dataset, distribution of each category: (%)')
print(income_count/len(housing)*100)

# random split
train_set, test_set = train_test_split(housing, random_state=42)
train_set_income_count = train_set['income_cat'].value_counts().sort_index()
print('
Random split train dataset, distribution: (%)')
print(train_set_income_count/len(train_set)*100)

# stratify split
train_set, test_set = train_test_split(housing, 
                     stratify=housing['income_cat'], random_state=42)
train_set_income_count = train_set['income_cat'].value_counts().sort_index()
print('
Startify split train dataset, distribution: (%)')
print(train_set_income_count/len(train_set)*100)

得到结果如下：

可以看到分层抽样所分出来的训练集（和测试集）数据在关键特征上具有和总体数据集上基本一致的分布。

因此采用分层抽样来生成训练集和测试集将会更严谨。