Trainings- und Testdatensätze

Teil des Abschnitts Überwachtes Lernen der Machine Learning-Journey von Coddy. Lektion 2 von 58.

Ein Modell kann sich die Zeilen merken, mit denen es trainiert wurde. Wenn du es also mit diesen Zeilen testest, sagt das nichts aus. Halte stattdessen einige Zeilen zurück: Die Testmenge steht stellvertretend für neue Daten.

Zwölf nummerierte Zeilen werden der Reihe nach gemischt und ausgeteilt: neun blaue Zellen, 10 2 8 1 7 9 3 0 5, mit der Beschriftung Trainingsdaten, und drei orangefarbene Zellen, 6 11 4, mit der Beschriftung Testdaten

Das erste Modell auf dieser Reise untersuchte 112 Irisblüten und bestimmte 38 davon. Diese Zeile teilte sie auf:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
print(X_train.shape, X_test.shape)

Dies gibt (112, 4) (38, 4) aus. Die vier Teile kommen immer in dieser Reihenfolge, und random_state=0 sorgt dafür, dass die Durchmischung wiederholbar ist.

Trainiere mit dem Trainingsdatensatz. Öffne den Testdatensatz einmal, ganz am Ende.

Aufgabe

Einfach

Eine Nachtkamera in einem Wald hat 200 Tiere aufgenommen, jedes davon ein Fuchs oder ein Dachs, in camera.csv. Ergibt eine Aufteilung einen fairen Test? Der Startcode erstellt X und y und liest test_size ein.

Teile mit diesem test_size und random_state=0 auf.
Gib die Größen wie unten aus.
Gib den Anteil der Füchse in jedem Teil als ganze Prozentzahlen aus.

Für einen anderen Wald und 0.25:

Train: 90 snapshots
Test: 30 snapshots
Foxes: 52% of train, 47% of test

Probier es selbst

import pandas as pd

# Eine Zeile pro Aufnahme der Nachtkamera
camera = pd.read_csv("camera.csv")
X = camera[["minutes_after_sunset", "length_cm", "speed_kmh"]]
y = camera["animal"]
test_size = float(input())

# Schreibe deinen Code unten