Python 将数据集拆分为90,10，而不是n_倍

我使用随机森林算法。我想使用以下代码。我不想通过n_折叠来评估算法，而是将其分为90%用于训练，10%用于测试。 我将

n\u folds

更改为

n\u folds=1

，并添加了以下行：

train, test = train_test_split(dataset1, test_size=0.1, random_state = 0) ###<-----
df = dataset1.astype('str')
dataset = df.values.tolist()

train1 = train.astype('str')
train = train1.values.tolist()

test1 = test.astype('str')
test = test1.values.tolist()

train，test=train\u test\u split（数据集1，test\u size=0.1，random\u state=0）最大深度：
节点['left']，节点['right']=到_终端（左），到_终端（右）
返回
#进程左子女
如果len（左）我建议，这允许您从培训中选择一定数量的项目进行验证。你只需要计算出你需要留下多少，它才是样本的10%
 当您进行n\u折叠验证时，它会自动循环折叠并在n-1折叠上训练模型。

例如，如果将其分成4个25%的折叠（a、b、c、d），则它将在（a、b、c）上进行训练，并在（d）上进行测试

在（a、b、d）上训练，在（c）上测试

在（a、c、d）上进行训练，在（b）上进行测试

在（b、c、d）上训练，在（a）上测试
然后取平均误差。

在这种情况下，如果您进行10次折叠，它将在90%的数据上进行10次训练。
但如果您根本不想使用折叠，只需单独使用train\u test\u split。

考虑下面的代码：

import pandas as pd
from sklearn.datasets import make_classification
from sklearn.cross_validation import train_test_split

X, y = make_classification(n_samples=100)
features = ['f_{}'.format(i) for i in range(X.shape[1])]
df = pd.DataFrame(X, columns=features)
df['target'] = y

X_train, X_test, y_train, y_test = train_test_split(
    df[features].values, 
    df['target'].values, 
    test_size=0.1,
    stratify=df['target'],
    random_state=42
)

print('X_train:', X_train.shape, 'y_train:', y_train.shape,)
print('X_test:', X_test.shape, 'y_test:', y_test.shape,)

输出：

X_train: (90, 20) y_train: (90,)
X_test: (10, 20) y_test: (10,)

谢谢@Jblasco，我需要修改代码，这样就不用n_fold来训练90%的人，并在10%以上进行测试了。我的拆分完成了工作，但是我会出错。非常感谢@AlexOzerov，这就是我需要的代码类型。如何将其插入到原始代码中？
import pandas as pd
from sklearn.datasets import make_classification
from sklearn.cross_validation import train_test_split

X, y = make_classification(n_samples=100)
features = ['f_{}'.format(i) for i in range(X.shape[1])]
df = pd.DataFrame(X, columns=features)
df['target'] = y

X_train, X_test, y_train, y_test = train_test_split(
    df[features].values, 
    df['target'].values, 
    test_size=0.1,
    stratify=df['target'],
    random_state=42
)

print('X_train:', X_train.shape, 'y_train:', y_train.shape,)
print('X_test:', X_test.shape, 'y_test:', y_test.shape,)

X_train: (90, 20) y_train: (90,)
X_test: (10, 20) y_test: (10,)