Sklearn——数据集分割
通常，在训练有监督的机器学习模型的时候，会将数据划分为训练集**（Training set）、验证集（Validation set)和测试集(Test set)**，目的为了能够选出效果（可以理解为准确率）最好的、泛化能力最佳的模型。
sklearn.model_selection.train_test_split 随机划分训练集和测试集
train_test_split()函数是用来随机划分样本数据为训练集和测试集的，当然也可以人为的切片划分。
优点：随机客观的划分数据，减少人为因素
train_X,test_X,train_y,test_y = train_test_split(train_data,train_target,test_size=0.3,random_state=5)
参数解释：
train_data：待划分样本数据
train_target：待划分样本数据的结果（标签）
test_size：测试数据占样本数据的比例，若整数则样本数量
random_state：设置随机数种子，保证每次都是同一个随机数。若为0或不填，则每次得到数据都不一样
# 重点和难点：
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。
# 重点和难点：
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。
# 注意事项：
经过观察，使用train_test_split进行分割后，并不保证每个子集中正负样本的比例与原数据集一致。