# 分类数据集分层拆分、泄漏复核与交付

审查独立分类记录，固定随机种子与输入版本进行分层拆分，核对类别覆盖和泄漏风险，交付可追溯的训练、验证与测试数据。

> 标准页面: https://elysiatools.com/zh/hubs/classification-dataset-stratified-split-review-and-handoff

- **关键词:** 分类数据集拆分工作流, 分层训练验证测试集, 数据泄漏复核, 可复现数据划分交付

## 常见问题

### 种子一样就和 scikit-learn 结果一样吗？

不是。复现需要相同输入顺序、字段、参数和实现版本。本工具有自己的随机数生成器，数字种子相同不代表其他库产生相同成员。

### 没有重复告警就没有泄漏吗？

不能这样判断。内置检查比较整行内容，不同 ID、近似副本、同一主体和未来信息特征都可能漏过，需要另做成员与领域复核。

### SMOTE 预览会改动导出的 CSV 吗？

不会。拆分工具展示训练集数值特征的插值例子，导出的拆分 CSV 仍是原始分配行。特征是否适合插值、是否实施增强，需要另行审查。

### 稀有类别只有两条记录能覆盖三个子集吗？

不能。通过最低数量检查不保证处处有该类别，必须核对实际数量，经批准调整数据收集或评估设计。

## 相关内容

- [数据质量与异常调查工作流](https://elysiatools.com/zh/hubs/data-quality-anomaly-workflows): 对表格数据做质量剖析，识别重复、缺失、参照断裂、离群和值班时序异常，并把发现整理成可辩护的质量证据。
- [表格数据的清洗、整形与归一化](https://elysiatools.com/zh/hubs/tabular-data-cleanup-and-normalization): 把杂乱的表格数据做成可分析的——合并各源表为一张、剥掉破坏列匹配的 BOM 字符、只留要用的列、修拼写统一格式、按既定策略而非慌乱处理离群值、缩放或标准化数值，最后做范围限幅并给出交叉汇总表。
- [统计分析、检验与分布计算工具](https://elysiatools.com/zh/hubs/statistical-analysis-tools): 汇总数值数据、衡量离散程度、比较组间差异、计算概率和置信区间，并用相关与回归分析变量关系。