数据集划分图示 插入一张简单的图表，展示数据集如何划分为训练集、验证集和测试集。请帮助我用Python实现

当然，数据集划分通常是一个关键步骤，用于模型训练和评估的性能。这通常会按照某种比例将数据集分割成三个部分：

1. **训练集 (Training Set)**: 这是用来训练机器学习模型的主要数据集。大部分样本会被放入这里，让模型学习规律。

2. **验证集 (Validation Set)**: 在训练过程中，我们会定期用这部分数据来调整模型的超参数或防止过拟合。它帮助我们监控模型在未见过的数据上的表现。

3. **测试集 (Testing Set)**: 在模型最终确定后，才使用测试集来衡量模型的真实性能，因为这是模型从未接触过的数据，可以提供对模型泛化能力的客观评价。

下面是一个简化的流程图插图：

+------------------------+
|         全部数据        |
+------------------------+
|                          |
|     划分比例（例如70%）   |
|                          |
| Training Set (70%) ----->|
|                          |
| Validation Set (15%) ---->|
|                          |
| Testing Set (15%) ------>|
+------------------------+

在Python中，我们可以使用`train_test_split`函数从`sklearn.model_selection`模块中进行这种划分，示例如下：

from sklearn.model_selection import train_test_split

# 假设data是你的整个数据集
X = data['features']
y = data['labels']

# 按照80%训练集, 10%验证集, 10%测试集的比例划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=42)

print("Train set:", X_train.shape, y_train.shape)
print("Validation set:", X_val.shape, y_val.shape)
print("Test set:", X_test.shape, y_test.shape)

记得替换`features`和`labels`为实际数据集的特征和目标变量名。