R语言sample.split划分数据集时测试集split值为FALSE的原因

这是caTools包中sample.split函数的通用用法，核心逻辑非常直白：

• 首先是函数本身固定的返回规则：你传入的SplitRatio参数，指定的就是返回的布尔向量里取值为TRUE的样本占总样本的比例。当你设置SplitRatio = 2/3时，函数会以Salary字段为分层依据做随机抽样，避免出现训练集、测试集Salary分布偏差过大的问题，最终给总样本量2/3的样本标记TRUE，剩余1/3的样本自动标记FALSE。
• 这个标记规则刚好匹配机器学习建模的常规划分习惯：训练集通常占总样本的多数（常见比例为2/3、70%、80%），用来拟合模型参数；测试集占少数，用来验证模型的泛化效果。所以大家会直接把TRUE对应的多数样本划入训练集，FALSE对应的剩余样本划入测试集，属于函数设计和行业使用习惯对齐后的通用写法，不是强制的语法要求。
• 补充说明：布尔标记和数据集身份没有强制绑定关系，如果你把SplitRatio设置为1/3，此时TRUE标记的样本仅占1/3，要是仍需要2/3的样本做训练集，完全可以取split == FALSE的部分作为训练集，本质只是标记和指定比例的映射而已。

涉及的示例代码如下：

split = sample.split(dataset$Salary, SplitRatio = 2/3)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)

内容的提问来源于stack exchange，提问作者Amr Ahmed