可生成图片类型（推荐）
可生成数据表类型（推荐）
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
Zeroclanzhang（讨论 | 贡献） 无编辑摘要 |
||
| 第21行： | 第21行： | ||
|nodeavailabletablelist=Table_For_Downstream | |nodeavailabletablelist=Table_For_Downstream | ||
|nodeconfiguration=VariableList;Text | |nodeconfiguration=VariableList;Text | ||
|nodeinputports=WorkFlow-Control | |nodeinputports=WorkFlow-Control 🠊;Transfer-Table ■ | ||
|nodeoutputports=WorkFlow-Control | |nodeoutputports=WorkFlow-Control 🠊;Transfer-TrainingTable ■;Transfer-TestingTable ■ | ||
|statsapewikiurl=https://wiki.statsape.com/拆分训练测试集 | |statsapewikiurl=https://wiki.statsape.com/拆分训练测试集 | ||
|previousnode=[[倾向性评分匹配]] | |previousnode=[[倾向性评分匹配]] | ||
2023年12月8日 (五) 12:19的版本
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
拆分训练测试集  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 拆分训练测试集 |
| 功能主类别 | 机器学习 |
| 英文缩写 | DT_ID3 |
| 功能亚类别 | 拆分训练测试集 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
拆分训练集和测试集是机器学习和数据分析中常见的数据准备步骤之一。它的主要目的是评估模型的性能和泛化能力。 拆分训练集和测试集的过程涉及将可用的数据集划分为两个独立的子集： 1. 训练集（Training Set）：这是用于训练机器学习模型的数据子集。通过在训练集上学习模型，模型可以学习数据中的模式和关联。 2. 测试集（Test Set）：这是用于评估模型性能的数据子集。在训练过程结束后，使用测试集来评估模型对未见过的数据的预测能力。测试集应该是与训练集相互独立且代表性的样本。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
入口类型
出口类型
| |
| 相关节点 | |
| 上一节点 | 倾向性评分匹配 |
| 下一节点 | 导入训练集 |
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
