判别分析下R语言gclus包wine数据集70:30拆分训练测试集方法

• 完全随机拆分方法
  先加载依赖包与目标数据集：

  # 未安装gclus包时先运行下一行安装
  # install.packages("gclus")
  library(gclus)
  data(wine) # 加载内置wine数据集
  

  提前设置随机种子保证结果可复现，不设置种子的话每次运行抽样结果都会变动，不利于后续分析结果复现，可任意指定一个整数作为种子值：

  set.seed(123)
  

  按总样本量的70%抽取训练集行索引，剩余30%样本归为测试集：

  # 计算训练集样本量，向下取整避免出现非整数样本数
  train_sample_num <- floor(0.7 * nrow(wine))
  # 随机抽取训练集对应的行索引
  train_index <- sample(x = seq_len(nrow(wine)), size = train_sample_num)
  # 按索引匹配得到最终的训练集、测试集
  train_set <- wine[train_index, ]
  test_set <- wine[-train_index, ]
  

• 分层抽样方法（判别分析场景推荐使用）
  判别分析属于分类任务，完全随机抽样可能导致训练集、测试集的葡萄酒类别占比和原数据集偏差较大，分层抽样可以保证两个数据集的类别分布和原数据一致，结果更可靠：

  # 未安装caret包时先运行下一行安装
  # install.packages("caret")
  library(caret)
  set.seed(123)
  # 按数据集的类别列Class做分层抽样，抽取70%样本作为训练集
  train_index <- createDataPartition(y = wine$Class, p = 0.7, list = FALSE)
  train_set <- wine[train_index, ]
  test_set <- wine[-train_index, ]
  

拆分完成后可运行nrow(train_set)、nrow(test_set)核对两个数据集的样本量，确认比例符合要求；也可以运行table(train_set$Class)、table(test_set$Class)核对两个数据集的类别分布是否合理。

内容的提问来源于stack exchange，提问作者SarahB