Eșantionare stratificată

Știi deja că distribuția etichetelor de clasă din coloana category_desc a setului de date volunteer este neuniformă. Dacă vrei să antrenezi un model care să prezică category_desc, trebuie să te asiguri că modelul este antrenat pe un eșantion reprezentativ pentru întregul set de date. Eșantionarea stratificată este o metodă care te ajută să obții exact acest lucru!

Acest exercițiu face parte din cursul

Preprocesare pentru Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează un DataFrame de caracteristici, X, cu toate coloanele, mai puțin category_desc.
Creează un DataFrame de etichete, y, din coloana category_desc.
Împarte X și y în seturi de antrenament și de testare, asigurându-te că distribuția claselor din etichete este aceeași în ambele seturi.
Afișează etichetele și numărul lor de apariții din y_train folosind .value_counts().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create a DataFrame with all columns except category_desc
X = volunteer.____(____, axis=____)

# Create a category_desc labels dataset
y = ____[[____]]

# Use stratified sampling to split up the dataset according to the y dataset
X_train, X_test, y_train, y_test = ____(____, ____, ____, random_state=42)

# Print the category_desc counts from y_train
print(____[____].____)

Editează și rulează codul