划分数据集的方法

1. train_split方法：
   1） 导入包：
   from sklearn.model_selection import
   train_test_split
   2）函数介绍：
   train_split(*arrays, test_size, train_size, random_state, shuffle, stratify)
   3）参数介绍：
   a. *arrays:
   b. test_size: 测试集占总数据集的比例，默认为0.25
   c. train_size: 训练集占总数据集的比例，默认为None，表示总体数据集除去测试集的部分
   d. random_state: （其他参数都相同时）只有设为1时，每次运行时划分的测试集与训练集都一样；设为0或不设置，每次划分的都不一样。
   e. shuffle：boolean类型，默认为True，表示在切割数据集之前是否要打乱数据。当shuffle=False时，stratify必须为None。
   f. stratify: 默认为None，当值不是None时，代表数据集会以一种分层的方式被切割。

2. ShuffleSplit方法：
   1）导入包：
   from sklearn.model_selection import ShuffleSplit
   2）函数介绍: ShuffleSplit(n_splits=10,test_size=’default’, train_size=None, random_state=None)
   3）参数介绍：
   a. n_splits: 代表划分训练集、测试集的次数，默认为10
   b. test_size: 测试集占总数据集的比例，默认为0.1
   c. train_size: 训练集占总数据集的比例，默认为None，表示总体数据集除去测试集的部分
   d. random_state: （其他参数都相同时）只有设为1时，每次运行时划分的测试集与训练集都一样；设为0或不设置，每次划分的都不一样。
   4）举例说明：

 `rs = ShuffleSplit(n_splits=5, test_size=0.2, random_state=0)

n_splits=5代表5次，test_size=0.2代表5折，因此上述为5次5折交叉验证