摘要：
例如，如果每次都填写1，则将获得具有相同其他参数的相同随机数组。随机数的产生取决于种子。随机数和种子之间的关系遵循以下两个规则：不同的种子产生不同的随机数；种子是相同的，即使实例不同，也会生成相同的随机数。示例---------˃importnumpyasnp˃˃˃来自sklearn。模型_选择导入训练_测试_分割˃˃X，y=np.arange。重塑，范围˃˃Xarray˃˃列表[0,1,2,3,4]˃˃X_train，X_test，y_train，y_test=train_ test_ split…˃˃X_trainarray˃˃y_train[2,0,3]˃˃X_testarray˃˃y_test[1，4]X_train：获得的训练数据。X_测试，y_测试：获得的测试数据。
sklearn.model_selection.train_test_split随机划分训练集和测试集
- 一般形式：
train_test_split是交叉验证中常用的函数，功能是从样本中随机的按比例选取train data和testdata，形式为：
X_train,X_test, y_train, y_test =train_test_split(train_data,train_target,test_size=0.4, random_state=0)
- 参数解释：
train_data：所要划分的样本特征集
train_target：所要划分的样本结果
test_size：样本占比，如果是整数的话就是样本的数量
random_state：是随机数的种子。
随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。不填的话默认值为False，即每次切分的比例虽然相同，但是切分的结果不同。
随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：
种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。
- 示例
Examples -------- >>> import numpy as np >>> from sklearn.model_selection import train_test_split >>> X, y = np.arange(10).reshape((5, 2)), range(5) >>> X array([[0, 1], [2, 3], [4, 5], [6, 7], [8, 9]]) >>> list(y) [0, 1, 2, 3, 4] >>> X_train, X_test, y_train, y_test = train_test_split( ... X, y, test_size=0.33, random_state=42) ... >>> X_train array([[4, 5], [0, 1], [6, 7]]) >>> y_train [2, 0, 3] >>> X_test array([[2, 3], [8, 9]]) >>> y_test [1, 4] X_train，y_train：得到的训练数据。 X_test， y_test：得到的测试数据。 X,y：原始数据