python - sklearn StratfiedShuffleSplit

Question

有人可以帮我理解 StratifiedShuffleSplit 的作用吗？我是这个图书馆的新手。我了解分层采样背后的原理，但是就代码而言，StratifiedShuffleSplit 函数到底返回什么？

我正在阅读的书有以下代码，但是我不太明白。该函数实际上是否在数据帧上添加了一个索引来区分测试与训练，这就是为什么他们使用 .loc 的原因？收入猫列到底是按什么来划分的？谢谢!

from sklearn.model_selection import StratifiedShuffleSplit

split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)

for train_index, test_index in split.split(housing, housing["income_cat"]):
    strat_train_set = housing.loc[train_index]
    strat_test_set = housing.loc[test_index]

Answer 1

Does the function actually add an index on the dataframe that distinguishes between test vs training, which is why they are then using .loc?

它不是添加索引，索引已经存在，但是该函数基本上返回索引的拆分，以便您可以使用 .loc 调用它

And what exactly is it splitting the income_cat column by?

分层随机分割的想法是，对于每次分割，它将保留 y 中标签的原始分布。