sklearn函数：train_test_split（分割训练集和测试集）
x是array类型

from sklearn.model_selection import train_test_split

x_train,x_test = train_test_split(x)
xtrain
x_test

• test_size：float or int, default=None

测试集的大小，如果是小数的话，值在（0,1）之间，表示测试集所占有的比例；

如果是整数，表示的是测试集的具体样本数；

如果train_size也是None的话，会有一个默认值0.25

上面的练习，就保持了默认，所以测试集就有3个样本了

• train_size：float or int, default=None

和test_size一样，同上

• random_state：int or RandomState instance, default=None

这个参数表示随机状态，因为每次分割都是随机的，我们重新执行几次上面的函数看看先

只有当shuffle=True时，random_state才起作用或者说才有意义，random_state随机取一个整数就好，保证每次分割出来的数据集是一样的。

shuffle: bool, default=True，默认是

是否重洗数据（洗牌），就是说在分割数据前，是否把数据打散重新排序这样子，看上面我们分割完的数据，都不是原始数据集的顺序，默认是要重洗的

x_train,x_test = train_test_split(x , train_size=4)
x_train

x_train,x_test = train_test_split(x , train_size=0.8)
x_train

 sklearn函数：KFold（分割训练集和测试集）

classsklearn.model_selection.KFold(n_splits=5,*,shuffle=False,random_state=None) 

• n_splits：int, default=5

表示，要分割为多少个K子集

• shuffle：bool, default=False

是否要洗牌（打乱数据）

• random_state：int or RandomState instance, default=None

这和前一篇中提到的随机状态是一样的，需要配合shuffle参数使用

这个参数表示随机状态，因为每次分割都是随机的，我们重新执行几次上面的函数看看先

只有当shuffle=True时，random_state才起作用或者说才有意义，random_state随机取一个整数就好，保证每次分割出来的数据集是一样的。

import numpy as np
from sklearn.model_selection import KFold

X = np.random.randint(1,100,20).reshape((10,2))
X

kf = KFold(n_splits=5)
kf

for X_train,X_test in kf.split(X):
    print(X_train,X_test)

for X_train_i,X_test_i in kf.split(X):
    print(X[X_train_i],X[X_test_i])