X_train, X_test, y_train, y_test = train_test_split(data, label, test_size=test_ratio, random_state=random_state)划分数据集后查看训练集验证集中的类别数量

可以使用以下代码来查看训练集和验证集中的类别数量：

import numpy as np

# 统计训练集中每个类别的数量
unique_train, counts_train = np.unique(y_train, return_counts=True)
train_class_counts = dict(zip(unique_train, counts_train))

# 统计验证集中每个类别的数量
unique_test, counts_test = np.unique(y_test, return_counts=True)
test_class_counts = dict(zip(unique_test, counts_test))

print("训练集中的类别数量:", train_class_counts)
print("验证集中的类别数量:", test_class_counts)

这段代码将统计训练集和验证集中每个类别的样本数量，并将结果分别保存在`train_class_counts`和`test_class_counts`字典中。然后，通过打印这两个字典，你可以获取训练集和验证集中的类别数量信息。

相关问题

# 进行数据集的划分 train_data, test_data, train_label, test_label = train_test_split(data, label, test_size=0.3, random_state=42报错# 进行数据集的划分 train_data, test_data, train_label, test_label = train_test_split(data, label, test_size=0.3, random_state=42))

你的代码中似乎有一个括号多余了，应该去掉后面的括号。正确的写法应该是：

train_data, test_data, train_label, test_label = train_test_split(data, label, test_size=0.3, random_state=42)

这样就可以正确的进行数据集的划分了。

解释#随机划分数据集 x_data = np.array(data) y_data = np.array(label[:,2]) test_ratio = 0.2 X_train,X_test,y_train,y_test = train_test_split(x_data,y_data,test_size=test_ratio,shuffle=True,random_state=2)

这段代码是用来将数据集划分为训练集和测试集的。其中，x_data 是包含特征的数组，y_data 是标签数组。test_ratio 是测试集所占的比例，这里设置为 0.2，即将数据集划分为 80% 的训练集和 20% 的测试集。train_test_split 是 sklearn 中的函数，用于随机划分数据集。shuffle=True 表示在划分数据集之前将数据打乱，以增加随机性，random_state=2 表示设置随机数种子，保证每次划分的结果都是一样的。

最后，将划分好的训练集、测试集以及对应的标签分别存储在 X_train、X_test、y_train 和 y_test 中，用于后续的模型训练和测试。