Conjuntos de treino e teste

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 2 de 58.

Um modelo pode memorizar as linhas que estudou, então testá-lo com elas não prova nada. Em vez disso, oculte algumas linhas: o conjunto de teste representa dados novos.

Doze linhas numeradas em ordem são embaralhadas e distribuídas: nove células azuis, 9 2 8 1 7 9 3 0 5, identificadas como treino, e três células laranjas, 6 11 4, identificadas como teste

O primeiro modelo nesta jornada estudou 112 flores de íris e classificou 38. Esta linha as distribuiu:

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)

Isso imprime (112, 4) (38, 4). As quatro partes sempre vêm nesta ordem, e random_state=0 faz com que a mistura se repita.

Treine com o conjunto de treinamento. Abra o conjunto de teste uma vez, no final.

Desafio

Fácil

Uma câmera noturna em uma floresta registrou 200 animais, cada um uma raposa ou um texugo, em camera.csv. Uma divisão fornecerá um teste justo? O código inicial cria X e y e lê test_size.

Faça a divisão com esse test_size e random_state=0.
Imprima os tamanhos como abaixo.
Imprima a proporção de raposas em cada parte, em porcentagens inteiras.

Para outra floresta e 0.25:

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

Experimente você mesmo

import pandas as pd

# Uma linha por imagem capturada pela câmera noturna
camera = pd.read_csv("camera.csv")
X = camera[["minutes_after_sunset", "length_cm", "speed_kmh"]]
y = camera["animal"]
test_size = float(input())

# Escreva seu código abaixo