train_test_split()是sklearn.model_selection中的分离器函数

train_test_split()是sklearn.model_selection中的分离器函数，用于将数组或矩阵划分为训练集和测试集，函数样式为：
X_train, X_test, y_train, y_test = train_test_split(train_data, train_target, test_size, random_state，shuffle)

参数解释：

• train_data：待划分的样本数据
• train_target：待划分的对应样本数据的样本标签
• test_size：1）浮点数，在0 ~ 1之间，表示样本占比（test_size = 0.3，则样本数据中有30%的数据作为测试数据，记入X_test，其余70%数据记入X_train，同时适用于样本标签）；2）整数，表示样本数据中有多少数据记入X_test中，其余数据记入X_train
• random_state：随机数种子，种子不同，每次采的样本不一样；种子相同，采的样本不变（random_state不取，采样数据不同，但random_state等于某个值，采样数据相同，取0的时候也相同，这可以自己编程尝试下，不过想改变数值也可以设置random_state = int(time.time())）
• shuffle：洗牌模式，1）shuffle = False，不打乱样本数据顺序；2）shuffle = True，打乱样本数据顺序

  >>> import numpy as np
  >>> from sklearn.model_selection import train_test_split
  >>> X, y = np.arange(30).reshape((10, 3)), range(10)
  >>> X_train, X_test ,y_train, y_test= train_test_split(X, y,test_size=0.3, rando
  m_state = 20, shuffle=True)
  >>> X_train
  array([[15, 16, 17],
         [ 0,  1,  2],
         [ 6,  7,  8],
         [18, 19, 20],
         [27, 28, 29],
         [12, 13, 14],
         [ 9, 10, 11]])
  >>> X_test
  array([[21, 22, 23],
         [ 3,  4,  5],
         [24, 25, 26]])
  >>> y_train
  [5, 0, 2, 6, 9, 4, 3]
  >>> y_test
  [7, 1, 8]
  

  随机划分训练集和测试集train_test_split

  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：

• 
  from sklearn.model_selection import train_test_split
  
  #展示不同的调用方式
  
   
  
  train_set, test_set = train_test_split(data, test_size=0.2, random_state=42)
  
   
  
  #cross_validation代表交叉验证
  
  X_train,X_test, y_train, y_test =cross_validation.train_test_split(train_data,train_target,test_size=0.4, random_state=0)
  

  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。