Elysia Tools
导航
Data Analysis
读取 CSV/JSON 数据集,按目标列做分层抽样的 train/validation/test 切分(默认 70/15/15,随机种子可复现),或分层 k 折交叉验证;输出每折类别分布报告与偏差条、重复行泄漏检查、SMOTE 过采样预览(仅在训练折上做最近邻插值),并可导出各折 CSV 为 ZIP。
详情
分层切分:对每个类别分别用种子化 PRNG(mulberry32)洗牌,再按最大余数法把该类成员分配到各切分,使每折类别占比贴合原数据集;k 折模式按 StratifiedKFold 语义:每类洗牌后轮转分配到各折(第 j 个成员进第 j mod k 折)。SMOTE(Chawla 等 2002)仅在训练折上预览:对少数类样本 xi 取其 k=5 个少数类近邻之一 xz,合成 xnew = xi + λ·(xz − xi),λ∈U(0,1),仅使用数值特征列(欧氏距离)。随机种子保证同一种子同一结果(与 numpy 的 PCG64 流不同,但行为等价且已文档化)。稀有类保护:任何类别样本数少于切分数时给出警告;k 折时 k 超过最小类别样本数则按 sklearn 行为直接拒绝。
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
等待运行
工具使用指南
训练/测试集分层切分器支持上传 CSV 或 JSON 格式的数据集，按照指定的目标类别列进行严格的分层抽样切分，提供标准训练/验证/测试集划分与分层 k 折交叉验证两种模式。工具基于可复现的随机种子洗牌，输出各分区的类别比例偏差报告、数据泄露重复行检查及针对训练集的 SMOTE 过采样预览，并支持一键打包下载各折 CSV 与切分清单文件。
背景
正在开发一个用户评论情感分类模型，数据集包含正面、负面、中立三种标签，样本总量较少且各类别数量不均。
问题
普通随机划分容易导致验证集或测试集中缺少中立评论，影响模型评测客观性。
如何使用
粘贴包含 text、length 和 label 列的 CSV 内容，将目标列设为 label，选择标准模式（70/15/15），设置随机种子为 42 并导出 ZIP。
目标列: label, 切分模式: standard, 训练集: 70%, 验证集: 15%, 随机种子: 42, 按目标列分层: true, 导出 ZIP: true结果
生成 16/5/3 的样本划分，各切分内三种类别的占比偏差极小，同时导出了 train.csv、validation.csv、test.csv 及切分报告。
背景
准备对结构化客户特征数据运行梯度提升树模型，需要通过交叉验证选择最优超参数。
问题
需要确保每折训练集与验证集的类别分布稳定，且每折切分完全可追溯、可复现。
如何使用
上传客户特征 CSV 数据集，指定类别标签列，切分模式选择“分层 k 折交叉验证”，设置折数为 4，勾选打乱行序并开启导出。
目标列: label, 切分模式: kfold, 折数: 4, 随机种子: 42, 按目标列分层: true, 打乱行序: true, 导出 ZIP: true结果
成功输出 4 组 fold_i_train.csv 和 fold_i_validation.csv，每折验证集的类别比例与整体保持一致。
分层抽样可确保切分后的训练集、验证集和测试集（或每折验证集）中各类别标签的百分比与原数据集保持一致，避免因随机抽样导致少数类样本缺失。
不会。SMOTE 仅基于训练折的少数类数值特征计算合成样本，严格避免验证集和测试集发生数据泄露。
在标准切分中若类别样本数少于切分数会触发稀有类警告；在 k 折模式下，若折数 k 大于最小类别的样本数，系统会直接报错拒绝以防生成空折。
可以。工具使用确定的种子化随机数生成器（mulberry32），只要输入数据和随机种子相同，每次生成的切分结果完全一致。
支持输入 CSV 文件或 JSON 对象数组（也可以直接粘贴含表头的 CSV 文本），切分完成后可导出包含各折 CSV 文件及 split_report.json 报告的 ZIP 压缩包。