StratifiedShuffleSplit报错含义及使用问题咨询

嘿，作为数据科学新手踩这个坑真的太正常了——我刚入门的时候也在这栽过跟头！让我给你掰扯清楚问题出在哪，以及那些报错到底在说什么。

核心原因：StratifiedShuffleSplit是给分类任务设计的 #

StratifiedShuffleSplit的核心作用是保持训练集和测试集中各类别的占比一致（比如分类任务里，正负样本比例在训练测试集里和原数据集差不多）。但你的Advertising数据集里的标签sales是连续数值（属于回归任务），根本没有“类别”这个概念，这就完全违背了这个函数的设计逻辑，自然会报错。

常见报错的含义 #

你大概率会遇到以下两种报错，我给你翻译成人话：

• ValueError: Supported target types are: ('binary', 'multiclass'). Got 'continuous' instead.
  这句话直接明说：这个函数只支持二分类、多分类的离散标签，你给的是连续值，不兼容，用不了。
• TypeError: Singleton array array(...) cannot be considered a valid collection.
  这种情况相对少见，一般是因为代码里的标签格式有问题，但本质还是因为连续值标签不符合函数对“类别集合”的要求。

回归任务该用什么划分数据集？ #

回归任务不需要保持连续标签的分布比例（或者说没法直接做分层），用普通的随机划分工具就够了，推荐两种简单方法：

方法1：用ShuffleSplit（和Stratified版本用法类似，只是不分层）

import pandas as pd
from sklearn.model_selection import ShuffleSplit

# 加载数据集
data = pd.read_csv("Advertising.csv")
X = data[["TV", "Radio", "Newspaper"]]
y = data["sales"]

# 初始化划分器，这里只分1次，测试集占20%
ss = ShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(ss.split(X, y))

# 拆分数据集
X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]

方法2：更简洁的train_test_split

这是日常用得最多的方式，默认就会随机打乱：

import pandas as pd
from sklearn.model_selection import train_test_split

data = pd.read_csv("Advertising.csv")
X = data[["TV", "Radio", "Newspaper"]]
y = data["sales"]

# 直接拆分，test_size控制测试集比例，random_state保证结果可复现
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, shuffle=True, random_state=42
)

额外提醒 #

如果你真的想给回归任务做“分层”（比如把sales分成几个区间当作类别），也可以先对连续标签分箱，再用StratifiedShuffleSplit，但一般来说回归任务完全没必要这么做，普通随机划分已经足够啦。

内容的提问来源于stack exchange，提问作者Evan C