R语言样本数据划分（训练数据测试数据）

 机器学习一般将数据划分成训练数据、验证数据（可选）、测试数据、三个部分，训练数据和验证数据用来训练模型，估计模型的具体参数，测试数据用来验证模型预测的准确程度。下面我们就对german_credit这个数据进行划分
german_credit <- read.csv("f:\\german_credit.csv")
train <-createDataPartition(y=german_credit$Creditability,p=0.75,list=FALSE)
train2 <- german_credit[train, ]  #75%的german_credit数据作为训练数据

test2 <- german_credit[-train, ]  #25%的german_credit数据作为测试数据
以上命令中createDataPartition( )就是数据划分函数，对象是german_credit$Creditability，p=0.75表示训练数据所占的比例为75%，list是输出结果的格式，默认list=FALSE。 train2 <- german_credit[train, ]，test2 <- german_credit[-train, ]分别制定具体的训练数据和测试数据。

使用createDataPartition 的好处在于，它能将低熵数据集随机抽取出我们需要的训练集来。比如我们的数据集共有 100 个样本点，前50 个是一类，后 50 个是一类。我们为了让训练集里两类样本都各有一些，必然希望从前 50 个样本点随机抽取一定比例，后 50 个里也随机抽取相应比例的样本点来组成训练集。这个手动过程因为涉及到人的主观意识，从而不能保证完全随机化。而 createDataPartition 会自动从 y 的各个 level 随机取出等比例的数据来，组成训练集，给我们省了很多事。