【R每日一贴】数据集划分训练集和测试集

问题描述

分类问题也好，回归问题也罢，面对一个原始数据集，为了能够有效地评估模型，通常是把数据集划分为训练集和测试集，如何处理呢？

怎么做

按着以下步骤处理

第一步：R导入数据集，采用C50包自带的电信客户流失数据集churn

library(C50)
data(churn)

str(churnTrain)

说明：数据集可以是R中自带的数据集，也可以是从不同数据源导入的数据集，在实际项目中，数据集来自于不同数据源。

第二步：R划分数据集

set.seed(2)
ind <- sample(2, nrow(churnTrain), replace = TRUE, prob=c(0.7, 0.3))
trainset <- churnTrain[ind == 1,]

testset <- churnTrain[ind == 2,]

说明：利用sample()函数，采用随机抽样的方法把数据集划分为训练集和测试集

第三步：观察划分后的数据集

dim(trainset)
str(trainset)

dim(testset)

str(testset)

请参阅

1 数据集 https://en.wikipedia.org/wiki/Data_set

2 R语言set.seed()函数和sample()函数【?set.seed和?sample】

3 可重复性系统 https://en.wikipedia.org/wiki/Reproductive_system