拆分数据
重要
对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
将数据集的行分区为两个不同的集
类别： 数据转换/采样和拆分
模块概述
本主题介绍如何使用 机器学习 Studio (经典) 中的拆分数据模块将数据集划分为两个不同的集。
如果需要将数据拆分为训练和测试集，本模板会很有帮助。 你也可以自定义数据的拆分方式。 某些选项支持数据随机化；其他则为特定的数据类型或模型类型而定制。
如何配置拆分数据
提示
在选择拆分模式之前，请阅读所有选项以确定所需的拆分类型。 如果更改拆分模式，则可重置所有其他选项。
在工作室 中将" 拆分数据"模块添加到试验。 你可在“示例和拆分”类别中的“数据转换”下找到此模块 。
拆分模式：选择以下模式之一，具体取决于你拥有的数据的类型以及要划分它的方式。 每个拆分模式都有不同的选项。 单击以下主题，获取详细说明和示例。
拆分行：如果只需将数据拆分为两个部分，请使用该选项。 你可指定要置于每个拆分中的数据的百分比，但在默认情况下，数据被划分为 50-50。
还可随机化每组中的行选定内容，并使用分层采样。 在分层采样中，必须选择希望在两个结果数据集中平等分配值的单个数据列。
推荐器拆分：如果要准备数据以在推荐器系统中使用，请始终选择此选项。 它有助于将数据集划分为训练和测试组，同时确保重要值（如用户-项对或评级）在组之间平均划分。
正则表达式拆分：如果你希望通过测试单个值列来分割数据集，请选择此选项。
例如，如果你正在分析情绪，可以在文本字段中查看是否存在特定的产品名称，然后将数据集拆分为具有目标产品名称的行，以及不具有目标产品名称的行。
相对表达式拆分：如果希望对数字列应用条件，请使用该选项。 该数字可以是日期/时间字段、包含年龄或金额的列，甚至可以是百分比。 例如，你可能希望根据项目的成本、按年龄范围分组人员，或按日历日期的不同数据来拆分数据集。
要求
拆分数据 一次最多可以创建两个数据集集，并且这些集必须排他。
因此，如果具有包含多个条件和输出的复杂拆分，可能需要将多个拆分数据模块链接 在一 起。
或者，可以使用 CASE 语句和"应用SQL转换"模块。
此模块不会删除数据，也不从数据集中删除数据;它只按模块的第一个和第二个输出中指定的数据进行划分。
拆分推荐器系统的数据需要一些额外的要求。 通常，数据集只能包含用户-项对或用户-项评级三元组。 因此， 拆分数据 模块不能用于具有三列以上列的数据集，以避免与特征类型数据混淆。 如果数据集包含的列过多，则可能会收到以下错误：
错误 0022：输入数据集中的选定列数不等于 x
解决方法是使用"选择数据集 中的列" 删除某些列，然后使用"添加列"添加 列。 或者，如果数据集具有许多想要在模型中使用的特征，请使用其他选项划分数据集，并使用"训练模型"而不是"训练 Matchbox 推荐器"来训练模型。
示例
有关如何使用拆分 数据 模块的示例，请参阅以下 Azure AI 库：
- 二元分类的交叉验证：成人数据集：应用 20% 的采样率来创建较小的随机采样数据集。 （原始人口普查数据集必须有 30,000 多个行； 练习数据集具有大约 6500）。 数据集是清除缺失值，然后传递给五个不同的模型进行训练和交叉验证。
技术说明
以下要求适用于拆分数据 的所有用法：
- 输入数据集必须至少包含两行，否则将引发错误。
- 如果你使用该选项指定所需的行数，则指定的数目必须是正整数，而且该数必须小于数据集中的总行数。
- 如果你指定一个数字作为百分比，或者使用包含“%”字符的字符串，则该值将被解释为百分比。 所有百分比值必须在范围 (0, 100) 内，不包括值 0 和 100。
- 如果指定的数字或百分比是小于 1 的浮点数，并且未使用百分号 (%)，则该数字将被解释为比例值。
- 如果将 选项用于分层拆分，则可以通过选择层次列，进一步按子组划分输出数据集。
预期输入
| 名称 | 类型 | 说明 |
|---|---|---|
| 数据集 | 数据表 | 要拆分的数据集 |
模块参数
| 名称 | 类型 | 范围 | 可选 | 说明 | 默认 |
|---|---|---|---|---|---|
| 拆分模式 | 拆分模式 | 拆分行、推荐器拆分、正则表达式或相对表达式 | 必选 | 拆分行 | 选择拆评分据集的方法 |
Outputs
| 名称 | 类型 | 说明 |
|---|---|---|
| 结果数据集 1 | 数据表 | 包含选定行的数据集 |
| 结果数据集 2 | 数据表 | 包含所有其他行的数据集 |