动手机器学习加州住房问题答案

【问题标题】：Hands On Machine Learning California Housing problem动手机器学习加州住房问题
【发布时间】：2021-03-12 19:14:02
【问题描述】：

通读这本书，我在 scikit-learn 上看到了这一点：

housing["income_cat"] = pd.cut(housing["median_income"], bins=[0.,1.5,3.0,4.5,6.,np.inf], labels=[1,2,3,4,5])

split =StratifiedShuffleSplit(n_splits=1, test_size=0.2, randomstate=42)

for train_index, test_index in split.split(housing, housing["income_cat"])
    stat_train_set = housing.loc[train_index]
    stat_test_set = housing.loc[test_index]

我知道第一行是向住房数据框添加一列，并附加一个分类收入的分类 1 - 5。

1: 0-<1.5
2: 1.5-<3.0
3: 3.0-<4.5
4: 4.5-<6
5: >6

我知道第二行返回一个要拆分的函数。

我不明白的是函数如何知道两个指数中的哪一个是 20%？第二个索引总是函数应用 test_size 参数的那个吗？

【问题讨论】：

您是在问函数如何知道如何将数据分成 80-20%？
不，我知道这是来自 StratifiedShuffleSplit() 函数中的 test_size 参数。我不明白循环如何知道将 20% 的采样索引存储在 test_index 而不是 train_index 中。该函数是否总是通过 .split() 函数将 test_size 参数应用于循环中的第二个索引？
你自己知道答案我看到了^_^ scikit-learn.org/stable/modules/generated/…阅读这里了解更多信息
顺便说一句，这本书不要让你的头脑过于复杂。当你开始习惯机器学习时，你会使用train_test_split，它更简单、更直观
原来是这样吗？它总是将 test_size 参数应用于循环中的第二个索引？还是我应该注意 .split() 函数中的某些内容？

标签： pandas machine-learning scikit-learn

【解决方案1】：

您只需要知道 split 方法会产生一个迭代器，而这个迭代器会产生一个索引元组。这个元组的第一个元素是训练索引，第二个是测试索引。这背后没有魔法。

如果你喜欢查看方法的源代码，可以找到here。尤其是方法_iter_indices 的结尾。在那里你会看到yield 语句，它产生了这个元组。

【讨论】：

这太棒了。谢谢。
感谢您的反馈。我很高兴能帮上忙。
顺便说一句。我喜欢这本书。它真的很棒，并且充满了宝贵的提示和见解。