Как правильно разделить несбалансированный набор данных для обучения и тестирования? ⇐ Python

[Anonymous]

У меня есть набор данных о задержках рейсов, и я пытаюсь разделить его для обучения и тестирования перед выборкой. Случаи, сделанные вовремя, составляют около 80% от общего объема данных, а случаи с задержкой – около 20%.

Обычно в машинном обучении соотношение размера обучающего и тестового наборов составляет 8:2. Но данные слишком несбалансированы. Таким образом, в крайнем случае, большая часть данных о поездах относится к своевременным, а большая часть тестовых данных - к случаям задержки, и точность будет низкой.

Итак, мой вопрос: как правильно разделить несбалансированный набор данных на набор для обучения и тестирования??

Подробнее здесь: https://stackoverflow.com/questions/572 ... d-test-set