讲师中心 微信公众号

工具推荐

视频效率加速
AniShort
AniShort

AI短剧协同制作平台

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Seko
Seko

AI短剧一键生成成片

剧云
剧云

中文短剧剧本制作平台

如何正确实现多阶段分层抽样(train/val/test)以保持类别平衡

风萱姑娘_9928

风萱姑娘_9928

发布时间:2026-11-22 12:58:05

|

204人浏览过

|

来源于php中文网

原创

如何正确实现多阶段分层抽样(train/val/test)以保持类别平衡

本文详解在使用 train_test_split 进行多阶段数据划分时,为何第二阶段分层失效,并提供可复现的修复方案:关键在于每次分层都必须基于当前子集的完整标签信息,而非原始 DataFrame 的全局索引或孤立 ID 列。

本文详解在使用 `train_test_split` 进行多阶段数据划分时,为何第二阶段分层失效,并提供可复现的修复方案:关键在于每次分层都必须基于当前子集的完整标签信息,而非原始 dataframe 的全局索引或孤立 id 列。

在机器学习实践中,将数据划分为训练集(train)、验证集(val)和测试集(test)时,常需保证各子集的类别分布与原始数据一致(即分层抽样,stratification)。一个常见误区是:在首次划分后仅用 ID 列进行后续分割,却未同步更新用于 stratify 的标签向量——这会导致 train_test_split 无法正确对齐样本与标签,从而破坏类别平衡。

上述问题的核心在于 stratify 参数必须与输入数据严格对齐。在第一步中,train_test_split(df["id"], stratify=df.label, ...) 能成功分层,是因为 df["id"] 和 df.label 共享相同的索引顺序,sklearn 可据此建立一一映射。但在第二步中:

# ❌ 错误:train_ids 是纯 ID 列表,df.loc[df.id.isin(train_ids), "label"] 的索引已打乱
train_ids, val_ids = train_test_split(
    train_ids, 
    stratify=df.loc[df.id.isin(train_ids), "label"],  # 索引不匹配!
    test_size=n_val, 
    random_state=42
)

此时 train_ids 是无序 ID 列表,而 df.loc[...] 返回的 Series 索引是原始 DataFrame 的位置索引(如 0, 1, ..., 999),二者长度虽同为 800,但顺序完全不对应。train_test_split 内部按输入数组的 位置顺序 进行分层,因此传入错位的标签会导致分层逻辑崩溃。

✅ 正确做法是:先构建当前子集的完整视图(DataFrame 子集),再从中提取对齐的 id 和 label:

# ✅ 正确:基于当前子集构建对齐的特征与标签
train_df = df[df["id"].isin(train_ids)]  # 获取完整子集(含 id + label)
train_ids_new, val_ids = train_test_split(
    train_df["id"],           # 输入:子集的 id 列
    stratify=train_df["label"], # 对齐的 label 列(同索引、同顺序)
    test_size=n_val,
    random_state=42
)
train_ids = train_ids_new  # 更新 train_ids 为新划分结果

完整修正版代码如下(含验证输出):

import pandas as pd
from sklearn.model_selection import train_test_split

# 构建平衡数据集
ids = list(range(1000))
label = 500 * [1.0] + 500 * [0.0]
df = pd.DataFrame({"id": ids, "label": label})

train_p, val_p, test_p = 0.8, 0.1, 0.1
n_train, n_val, n_test = int(1000 * train_p), int(1000 * val_p), 1000 - int(1000 * train_p) - int(1000 * val_p)

# 第一次分层:分离 test 集
train_ids, test_ids = train_test_split(
    df["id"], 
    stratify=df["label"], 
    test_size=n_test, 
    random_state=42
)

# 第二次分层:在剩余数据中分离 val 集(关键修复点)
train_df = df[df["id"].isin(train_ids)]  # 构建当前训练子集
train_ids_new, val_ids = train_test_split(
    train_df["id"],
    stratify=train_df["label"],  # ✅ 标签与 ID 完全对齐
    test_size=n_val,
    random_state=42
)

# 构建最终三个子集
train_df = df[df["id"].isin(train_ids_new)]
val_df = df[df["id"].isin(val_ids)]
test_df = df[df["id"].isin(test_ids)]

# 验证类别分布
print("Train label distribution:")
print(train_df["label"].value_counts().sort_index())
print("\nValidation label distribution:")
print(val_df["label"].value_counts().sort_index())
print("\nTest label distribution:")
print(test_df["label"].value_counts().sort_index())

输出将显示三组均严格保持 1.0: 400, 0.0: 400(train)、1.0: 50, 0.0: 50(val)、1.0: 50, 0.0: 50(test)的完美平衡。

? 关键注意事项:

  • stratify 必须是与第一个参数(X)长度相同且索引/顺序严格对齐的一维数组;
  • 避免在分层前使用 .isin() 等操作打乱原始索引顺序;
  • 更简洁的替代方案是直接对整个 DataFrame 分层切片(如 train_test_split(df, stratify=df['label'])),再按需拆解列;
  • 若需保留原始索引,可在分割后使用 .reset_index(drop=True) 统一处理。

遵循此原则,即可确保任意阶段的分层抽样均能精准维持类别比例,为模型评估提供可靠的数据基础。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
SkildArt
SkildArt Hot

SkildArt是一款AI文本写作工具,一站式 AI 视觉创作平台。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

创客贴AI

创客贴AI是一款AI图像与设计工具,AI辅助的智能在线设计工具。

UP简历
UP简历 Hot

一款AI办公效率工具,主要用于基于AI技术的免费在线简历制作工具,适合需要提升相关任务效率的用户。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

超级简历WonderCV

一款AI办公效率工具,主要用于免费求职简历模版下载制作,应届生职场人必备简历制作神器,适合需要提升相关任务效率的用户。

Atoms
Atoms Hot

Atoms是一款AI智能体工具,第一支自动构建真实业务的 AI 团队。

Loomy
Loomy Hot

一款AI工具,主要用于科大讯飞发布的桌面级 AI 助理,比 OpenClaw 更易用、更安全!,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1971

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5664

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1929

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34817

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4047

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4067

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

CVE-2026-114938高危漏洞修复
CVE-2026-114938高危漏洞修复

Java4Shell是OpenJDK Base64解码路径中的远程代码执行漏洞,编号CVE-2026-114938,2026年11月17日披露,官方已发布17.0.21.1、21.0.13.1等修复版本,建议优先升级 。本专题围绕Java4Shell(CVE-2026-114938)持续更新,从漏洞原理、受影响版本、受影响产品到修复与自查一站式汇总,适合Java开发、运维与安全人员快速定位风险。ARM64环境不受影响,x86-64环境请

0

2026.11.22

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn