《机器学习实战》 ──   Machine learning in action

功能：进行训练集和测试集的随机切分

X_train,X_test, y_train, y_test =sklearn.model_selection.train_test_split(sample_data,sample_target,test_size=0.25, train_size=None,random_state=0,stratify=y_train)

train_data：所要划分的样本特征集
train_target：所要划分的样本类别数据
test_size：测试样本占比，如果是整数的话就是样本的数量。默认是0.25
train_size：训练样本的占比，如果指定了test_size按照test_size比例来分配。
random_state：是随机数的种子。
stratify：为了保持split前类的分布，保证训练集和测试集内类的分布比例相同。

import numpy as np
from sklearn.model_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.33, random_state=42)
 

正则化的概念及原因

正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集表现很好，测试集表现较差)，这会导致模型的泛化能力下降，这时候，我们就需要使用正则化，降低模型的复杂度。
 

紫色线代表蓝色曲线下的面积，估计概率分布（橙色线），实际概率分布（红色线）
在上面我提到的图中，你会注意到，随着估计的概率分布偏离实际/期望的概率分布，交叉熵增加，反之亦然。因此，我们可以说，最小化交叉熵将使我们更接近实际/期望的分布，这就是我们想要的。这就是为什么我们尝试降低交叉熵，以使我们的预测概率分布最终接近实际分布的原因。因此，我们得到交叉熵损失的公式为：

在只有两个类的二分类问题的情况下，我们将其命名为二分类交叉熵损失，以上公式变为：

现在，如果每个结果的实际概率为pi 却有人将概率估计为qi 怎么办。在这种情况下，每个事件都将以pi的概率发生，但是公式里的自信息就要改成qi（因为人们以为结果的概率是qi ）。现在，在这种情况下，加权平均自信息就变为了交叉熵c，它可以写成：

交叉熵总是大于熵，并且仅在以下情况下才与熵相同 pi=qi ，你可以观看 https://www.desmos.com/calculator/zytm2sf56e 的插图来帮助理解。

“你对结果感到惊讶的程度”
一个低概率的结果与一个高概率的结果相比，低概率的结果带来的信息量更大。现在，如果yi 是第i个结果的概率，那么我们可以把自信息s表示为:
s = log ( 1 / yi )

一个事件产生某个结果的自信息，我想知道这个事件平均带来多少自信息。对自信息s进行加权平均是很直观的。现在的问题是选择什么权重?因为我知道每个结果的概率，所以用概率作为权重是有意义的，因为这是每个结果应该发生的概率。自信息的加权平均值就是熵(e)，如果有n个结果，则可以写成:

logistic回归是一种广义的线性回归，通过构造回归函数，利用机器学习来实现分类或者预测。