sklearn：随机划分训练集和测试集

一、sklearn.model_selection.train_test_split

作用：

随机划分训练集和测试集  

官网文档：
http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html#sklearn.model_selection.train_test_split
一般形式：

train_test_split是交叉验证中常用的函数，功能是从样本中随机的按比例选取train_data和test_data，

形式为：

X_train,X_test, y_train, y_test =  cross_validation.train_test_split(train_data,train_target,test_size=0.4, random_state=0) 

参数解释：  

train_data：所要划分的样本特征集；train_target：所要划分的样本结果；test_size：样本占比，如果是整数的话就是样本的数量；random_state：是随机数的种子。（随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。）

二、sklearn.cross_validation模块

cross validation的含义：

对于原始数据我们要将其一部分分为train_data，一部分分为test_data。train_data用于训练，test_data用于测试准确率。在test_data上测试的结果叫做validation error。将一个算法作用于一个原始数据，我们不可能只做出随机的划分一次train_data和test_ data，然后得到一个validation error，就作为衡量这个算法好坏的标准。因为这样存在偶然性。我们必须好多次的随机的划分train
data和test data，分别在其上面算出各自的validation error。这样就有一组validation error，根据这一组validation error，就可以较好的准确的衡量算法的好坏。 

cross validation是在数据量有限的情况下的非常好的一个evaluate performance的方法。而对原始数据划分出train_data和test_data的方法有很多种，这也就造成了cross validation的方法有很多种。   

（1）sklearn中的cross validation模块，最主要的函数是：sklearn.cross_validation.cross_val_score。

他的调用形式：

scores = cross_validation.cross_val_score(clf, raw data, raw target, cv=5, score_func=None) 

参数解释： 

clf：不同的分类器，可以是任何的分类器。比如支持向量机分类器（clf = svm.SVC(kernel='linear', C=1)）。 

cv：代表不同的cross validation的方法了。如果cv是一个int数字的话，并且如果提供了raw target参数，那么就代表使StratifiedKFold分类方式，如果没有提供raw target参数，那么就代表使用KFold分类方式。

cross_val_score函数的返回值就是对于每次不同的的划分raw_data时，在test_data上得到的分类的准确率。至于准确率的算法可以通过score_func参数指定，如果不指定的话，是用clf默认自带的准确率算法。 还有其他的一些参数不是很重要。

（2）train_test_split 

功能：

从样本中随机的按比例选取train_data和test_data。

调用形式：

X_train, X_test, y_train, y_test = cross_validation.train_test_split(train_data, train_target, test_size=0.4, random_state=0) 

参数解释：

test_size是样本占比。如果是整数的话就是样本的数量。random_state是随机数的种子。不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。