Что такое стратификация

Стратификация — это метод разделения данных на подгруппы (страты) перед разбиением на обучающую и тестовую выборки. Она сохраняет распределение целевой переменной или важных признаков в обеих выборках, что особенно важно для несбалансированных данных.

Пример с train_test_split в Python:

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    test_size=0.2, 
    stratify=y,  # стратификация по целевой переменной
    random_state=42
)

Ключевые моменты:

• Используется при классификации с неравномерными классами
• Применима к категориальным признакам
• В sklearn также работает в StratifiedKFold для кросс-валидации

Без стратификации редкие классы могут не попасть в тестовую выборку, что исказит оценку модели.