在分類中，常常要將資料集分為兩部分，一部分作為訓練資料集，一部分作為驗證資料集（測試資料集）；r語言中的sample（）函式能夠從資料集中有放回或者無放回的抽取大小為n的乙個隨機樣本。
用法：sample(x, size, replace = false, prob = null)
說明：
x表示乙個或多個要選擇的元素的向量；size表示要抽取元素的個數；replace = false表示無放回抽樣（預設），值為true則為有放回抽樣；
示例：①sample(1:nrow(leadership))
nrow(leadership)是leadership這個資料集的行數
（可能就是樣本數），1:nrow(leadership) 是乙個向量
，從1到nrow(leadership)，sample(1:nrow(le
adership)) 是將裡面的這個向量進行隨機排列了，
不是之前那樣的順序了。sample(1:nrow(leadership))表示原來的資料集的序號被打亂了，但還是原來的資料集。
②train <- sample(nrow(df), 0.7*nrow(df))
表示從df資料集中隨機抽取70%的資料的序號；
df.train <- df[train,]
df.validate <- df[-train,]
按照前面隨機抽取的資料序號提取出來作為訓練集，剩下的部分作為驗證集。
訓練集 測試集 驗證集與交叉驗證
當我們訓練好乙個模型時，我們不只希望這個模型只在訓練集上表現的好，更重要的是希望這個模型後續能表現的好，這時候就需要測試集，用於評估這個模型的泛化能力。通常情況下，我們將資料以8 2的比例分割訓練集和測試集。在演算法模型中，我們還要使用正則化技術，避免過擬合。其中乙個做法就是使用100個不同超引數訓...
訓練集 測試集 驗證集與交叉驗證
初學者對於訓練集 train set 測試集 test set 驗證集 validation set 這三個概念和應用非常容易搞混，這裡我結合各種博文和書籍上的講解進行總結 參與訓練，模型從訓練集中學習經驗，從而不斷減小訓練誤差。這個最容易理解，一般沒什麼疑惑。不參與訓練，用於在訓練過程中檢驗模型的...
R語言實現資料抽樣 建立訓練集和測試集
主要參考 資料探勘 r語言實戰 黃文，王正林編著 在收集資料過程中，絕大多數情況下，並不採取普查的方式獲取總體中所有樣本的資料資訊，而是以各類抽樣方法抽取其中若干代表性樣本來進行資料獲取和分析。在獲得待分析資料集後，需要再次通過抽樣技術選取出訓練集和測試集，以便比較選擇出最優的挖掘演算法。這裡主要介...