Scikit-learn中train_test_split如何具体操作来划分训练集与测试集？

本文共计1008个文字，预计阅读时间需要5分钟。

基本原因通常是没有设置random_state，或者错误地将test_size当作绝对数量使用。它默认按比例划分示例，例如test_size=0.2表示取20%的样本，而不是固定的20%。若传入整数（如test_size=100），则仅当数据量超过100且你知道总量时才安全。

常见错误现象：ValueError: test_size must be less than the number of samples，就是传了比总样本还大的整数。

• 训练集/测试集划分前务必确认 X 和 y 行数一致，否则会静默错位
• 分类任务中，加 stratify=y 能保持各类别在两集中比例一致，不加可能某类在测试集里全没了
• shuffle=True 是默认值，但如果你的数据本身有序（比如按时间或类别排），不 shuffle 就会导致训练集全是前半段、测试集全是后半段，模型根本学不到泛化能力

train_test_split 返回的四个变量顺序不能乱

它固定返回 X_train, X_test, y_train, y_test 这四个，顺序不能靠名字猜，也不能只接两个变量想着“反正前两个是 X”。少接或错序会导致后续 fit() 报 ValueError: Expected 2D array, got 1D array instead 这类难以定位的错。