将数据集划分为测试集和训练集

将数据集划分为测试集和训练集是机器学习中常用的一种方法，可以用来评估模型在新数据上的性能。一般来说，我们将数据集按照一定比例分为训练集和测试集，比如将数据集分为70%的训练集和30%的测试集。

以下是一个Python代码示例，展示了如何将数据集分割为训练集和测试集：

from sklearn.model_selection import train_test_split

# 假设我们有X和y两个数组，X代表特征，y代表标签
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

这里我们使用了 `train_test_split` 函数，它可以将数据集随机地划分为训练集和测试集。其中 `test_size` 参数指定了测试集所占的比例，`random_state` 参数用于指定一个随机种子，保证每次运行代码得到的结果都是一样的。最终，函数返回了四个数组：`X_train` 代表训练集特征，`X_test` 代表测试集特征，`y_train` 代表训练集标签，`y_test` 代表测试集标签。