机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

58

｜

第

2

章

样设置随机生成器种子；其次，你可以把行数相同的多个数据集一次性发送给它，它会

根据相同的索引将其拆分（例如，当你有一个单独的 DataFrame 用于标记时，这就非常

有 用 ）：

from sklearn.model_selection import

train_test_split

trai n_set, test_set = train_test_split(housing, test_size=0.2, random_

state=42)

到目前为止，我们思考过了纯随机的抽样方法。如果数据集足够庞大（特别是相较于属

性的数量而言），这种方式通常不错；如果不是，则有可能会导致明显的抽样偏差。如

果一家调查公司想要打电话给 1000 个人来调研几个问题，他们不会在电话簿中纯随机

挑选 1000 个人。他们试图确保让这 1000 人能够代表全体人口。例如，美国人口组成为

51.3% 的女性和 48.7% 的男性，所以，要想在美国进行一场有效的调查，样本中应该试

图维持这一比例，即 513 名女性和 487 名男性。这就是分层抽样：将人口划分为均匀的

子集，每个子集称为一层，然后从每层抽取正确的实例数量，以确保测试集合代表了总

的人口比例。如果使用纯随机的抽样方法，将有 12% 的可能得到抽样偏斜的测试集

—

要么女性比例不到 49%，要么女性比例超过 54%。不论出现哪种情况都会导致调查结果

出现显著偏差。

如果你咨询专家，他们会告诉你，要预测房价中位数，收入中位数是一个非常重要的

属性。于是你希望确保在收入属性上 ...