3.3.2　生成訓練數據集和測試數據集

在我們創建一個能夠自動將酒進行分類的機器學習的算法模型之前，先要能夠對模型的可信度進行評判，否則我們無法知道它對于新的酒所進行的分類是否準確。那么問題來了，如果我們用生成模型的數據去評估算法模型，那得分肯定是滿分，這就好像我們按照一個體重75kg的人的身材數據縫制了一件衣服，那么這件衣服對于這個人肯定是百分之一百合身的，但如果換了一個體重85kg的人，這件衣服就不一定合適了。

所以我們現在要做的工作是，把數據集分為兩個部分：一部分稱為訓練數據集；另一部分稱為測試數據集。訓練數據集就好比我們縫制衣服時所用到的模特的身材，而測試數據集則是用來測試這件衣服，對于別人來說究竟有多合身的模特。

在scikit-learn中，有一個train_test_split函數，它是用來幫助用戶把數據集拆分的工具。其工作原理是：train_test_split函數將數據集進行隨機排列，在默認情況下將其中75%的數據及所對應的標簽劃歸到訓練數據集，并將其余25%的數據和所對應的標簽劃歸到測試數據集。

注意　我們一般用大寫的X表示數據的特征，而用小寫的y表示數據對應的標簽。這是因為X是一個二維數組，也稱為矩陣；而y是一個一維數組，或者說是一個向量。

接下來，我們使用train_test_split函數將酒的數據集中的數據分為訓練數據集和測試數據集。在Jupyter Notebook中輸入代碼如下：

#導入數據集拆分工具
from sklearn.model_selection import train_test_split
#將數據集拆分為訓練數據集和測試數據集
X_train, X_test, y_train, y_test = train_test_split(
wine_dataset['data'], wine_dataset['target'], random_state=0)

此時，我們已經對酒數據集完成了拆分。在上述代碼中，我們看到了一個參數稱為random_state，并且我們將它指定為0。這是因為train_test_split函數會生成一個偽隨機數，并根據這個偽隨機數對數據集進行拆分。而我們有時候需要在一個項目中，讓多次生成的偽隨機數相同，方法就是通過固定random_state參數的數值，相同的random_state參數會一直生成同樣的偽隨機數，但當這個值我們設為0，或者保持缺省的時候，則每次生成的偽隨機數均不同。

下面我們看一看train_test_split函數拆分后的數據集大概是什么情況，在Jupyter Notebook中輸入代碼如下：

運行代碼，得到結果如圖3-19所示。

圖3-19　經過拆分的訓練集與測試集的數據形態

【結果分析】此刻我們可以看到在訓練數據集中，樣本X數量和其對應的標簽y數量均為133個，約占樣本總量的74.7%，而測試數據集中的樣本X數量和標簽y數量均為45個，約占樣本總數的25.3%。同時，不論是在訓練數據集中，還是在測試數據集中，特征變量都是13個。