在处理现代机器学习模型，特别是面临复杂的分类任务时，我们经常面临这样一个挑战：如何以一种既能保持数据代表性，又能客观评估模型性能的方式来划分数据集？如果数据集本身的类别分布非常均衡，那么简单的随机划分或许就能奏效。但在现实世界中，我们处理的数据往往是不平衡的——例如，金融欺诈检测中欺诈交易只占极少数，或者罕见疾病诊断中阳性样本稀缺。在这种情况下，如果我们不注意划分方式，很容易导致训练集或测试集中丢失某些关键类别的样本，从而使我们的模型评估产生严重的偏差。
为了解决这个问题，INLINECODE5a880853（通常简称 INLINECODEcf1bec1e）库为我们提供了强大的工具，其中最常用但也最容易混淆的两个工具就是 INLINECODE1c72f41b 和 INLINECODEc7dc158b。虽然它们都致力于在划分过程中保持类别比例的一致性，但在内部机制、应用场景以及输出结果上却有着鲜明的差异。在这篇文章中，我们将深入探讨这两种技术的底层逻辑，通过实际的代码示例演示它们的工作原理，并结合 2026 年最新的开发理念，帮助我们在实战中做出最佳选择。
目录
什么是分层划分？
在正式对比之前，让我们先统一一下概念。在分类问题中，尤其是对于不平衡的数据集，"分层"（Stratified）是一个至关重要的概念。简单来说，分层划分意味着在将数据集切割成训练集和测试集（或多个折）时，算法会确保每个子集中的类别比例与原始完整数据集的类别比例保持一致。
举个例子，假设我们有一个包含 100 个样本的数据集，其中 90 个是"A类"，10 个是"B类"（90:10 的比例）。如果我们想把它分成训练集和测试集，分层划分会确保训练集和测试集都大致保持 90:10 的比例。如果这种平衡被打破，比如测试集里全是 "B类"，那么模型在测试集上的表现就会极具误导性。INLINECODE5eac1ccb 和 INLINECODEad291c43 的核心价值就在于此：它们让我们从模型中获得更具泛化性能的评估结果，避免了因为数据划分不当带来的偏差。
StratifiedKFold：严谨的穷尽式验证
StratifiedKFold 是经典的 K 折交叉验证（K-Fold Cross-Validation）的一种变体，也是我们在进行标准模型评估时的首选。
核心机制
在标准的 K 折交叉验证中，数据被分成 INLINECODE7516ade3 个互不相交的子集（称为 "folds"）。模型会被训练和验证 INLINECODE9867a141 次。在第 INLINECODEaf01ed70 次迭代中，第 INLINECODE268078fb 个子集作为验证集，其余的 k-1 个子集合并作为训练集。
StratifiedKFold 对此进行了改进，它不仅是简单地切分数据，而是强制要求每个折（fold）中的类别比例都与原始数据集一致。这对于不平衡数据集来说，简直是救星。
2026 视角下的工程化实现
在我们的日常开发中，直接调用 API 只是第一步。编写健壮的企业级代码需要考虑更多的细节。让我们来看一段包含了类型提示、文档字符串以及可视化辅助的实战代码。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import StratifiedKFold
from typing import Tuple, Generator
# 为了代码的健壮性，我们定义明确的类型
def visualize_stratified_kfold(X: np.ndarray, y: np.ndarray, n_splits: int = 3) -> None:
"""
可视化 StratifiedKFold 的划分过程，直观展示类别平衡。
Args:
X: 特征矩阵
y: 标签向量
n_splits: 折数
"""
# 1. 模拟一个不平衡的数据集
# 总共 20 个样本，其中 18 个类别为 0，2 个类别为 1 (10% 比例)
print(f"原始数据类别比例 - 类别0: {np.sum(y == 0)}, 类别1: {np.sum(y == 1)}")
# 2. 初始化 StratifiedKFold
# shuffle=True 在现代实践中非常重要，它能防止数据有序带来的偏差
skf = StratifiedKFold(n_splits=n_splits, shuffle=True, random_state=42)
# 3. 进行划分并记录
fold_data = []
for fold_index, (train_index, test_index) in enumerate(skf.split(X, y)):
y_train, y_test = y[train_index], y[test_index]
# 计算测试集中的比例
test_ratio = len(y_test[y_test == 1]) / len(y_test)
print(f"
=== Fold {fold_index + 1} ===")
print(f"测试集大小: {len(y_test)}, 测试集中类别1的比例: {test_ratio:.2%}")
fold_data.append({
‘fold‘: fold_index + 1,
‘test_indices‘: test_index,
‘train_size‘: len(train_index),
‘test_size‘: len(test_index)
})
return fold_data
# 执行示例
X_dummy = np.array([[i] for i in range(20)])
y_dummy = np.array([0]*18 + [1]*2)
visualize_stratified_kfold(X_dummy, y_dummy, n_splits=3)
代码解析：
在这个例子中，我们强调了 shuffle=True 的重要性。在 2026 年，我们处理的很多数据集都带有时间序列的痕迹或者某种排序。如果不进行洗牌，模型可能会学到无关的顺序特征。同时，通过打印出每一折的比例，我们可以验证算法确实在尽力维持那个 10% 的平衡。
深入理解 StratifiedShuffleSplit：灵活的随机重采样
StratifiedShuffleSplit 提供了一种不同的划分思路，它结合了"随机打乱"和"分层采样"的优点，特别适合需要大量迭代的统计评估。
核心机制
与 K 折不同，INLINECODEa5b86e51 并不把数据切成 INLINECODE24c9ef74 个互斥的块。相反，它通过以下步骤工作：
- 每次迭代时，它都会先将数据随机洗牌。
- 然后，根据用户指定的
test_size，随机抽取一定比例的数据作为测试集。 - 剩下的数据作为训练集。
- 重要的是，这个过程重复
n_splits次。
这意味着什么呢？这意味着不同的划分迭代之间，测试集是可以有重叠的。同一个样本可能在第一次迭代中作为测试集，而在第二次迭代中再次作为测试集。这给了我们更大的自由度。
灵活性与代码实战
让我们看看同样的数据在 StratifiedShuffleSplit 下是如何被处理的，特别是我们可以如何独立控制迭代次数和测试集大小。
from sklearn.model_selection import StratifiedShuffleSplit
import numpy as np
def demonstrate_sss_flexibility(X: np.ndarray, y: np.ndarray) -> None:
"""
展示 StratifiedShuffleSplit 的灵活性：
迭代次数与测试集大小解耦。
"""
# 场景：我们需要进行高精度的评估，因此希望迭代 20 次
# 但每次只希望用 20% 的数据做测试（KFold 很难做到这点，因为 20% 对应 5 折）
n_splits = 20 # 我们想要 20 次独立的评估
test_size = 0.2
sss = StratifiedShuffleSplit(n_splits=n_splits, test_size=test_size, random_state=42)
overlap_tracker = set()
print(f"--- SSS 演示: {n_splits} 次迭代, 每次测试集比例 {test_size} ---")
for i, (train_index, test_index) in enumerate(sss.split(X, y)):
# 检查重叠：如果索引 19（我们唯一的类别1样本）出现过，就记录
if 19 in test_index:
overlap_tracker.add(i)
if i < 3: # 仅打印前三次以保持输出整洁
print(f"[迭代 {i+1}] 测试集索引: {test_index} (长度: {len(test_index)})")
print(f"
在 {n_splits} 次迭代中，稀有样本 (索引19) 被选入测试集 {len(overlap_tracker)} 次。")
print("这就是 SSS 的特性：样本可能被多次验证，也可能一次都没有。")
# 使用相同的数据
X_dummy = np.array([[i] for i in range(20)])
y_dummy = np.array([0]*18 + [1]*2)
demonstrate_sss_flexibility(X_dummy, y_dummy)
核心差异对比与深度解析
为了让我们在实战中做出最佳选择，我们将从多个维度对这两种方法进行深度对比。
1. 测试集的构成方式：穷尽 vs. 重叠
- StratifiedKFold：像切蛋糕一样，数据被切成
k块。每一块都有机会做一次测试集。这是一种无放回的采样。当你希望通过遍历所有数据来获得一个无偏的模型性能估计时，这是最好的选择。它的方差通常较小，因为最终结果是基于所有样本的预测计算出来的。 - StratifiedShuffleSplit：像抽奖一样。每次抽奖时，我们把票混匀，抽出
test_size比例的票作为中奖者（测试集），然后把票放回去（逻辑上的放回），下次再抽。这是一种有放回的采样过程（针对测试集角色的分配）。这允许我们创建比 K 折多得多的训练-测试对，用于更细致的统计分析。
2. 参数控制的灵活性
- StratifiedKFold：你只能控制 INLINECODE046338b5。测试集的大小被隐式地固定为 INLINECODE283e0ced。如果你恰好需要 30% 的测试集，你可能会陷入纠结，因为 INLINECODEe63e3c3c，INLINECODEda71f1d4，很难精确匹配。
- StratifiedShuffleSplit：你可以同时指定 INLINECODEc13392e4（迭代次数）和 INLINECODE4ad8a0df（测试集比例）。这意味着我们可以在只有 1000 个样本的数据上，做 100 次迭代，每次都用 20% 的数据做测试。这对于分析模型性能的分布（例如计算 95% 置信区间）非常有用。
3. 实际应用场景指南
让我们通过几个具体的场景来决定何时使用哪一种：
场景 A：模型评估与参数调优 (标准流程)
当你需要评估模型的最终性能，或者进行网格搜索 来寻找最佳超参数时，请使用 INLINECODE89d153d4。为什么？因为它穷尽了所有数据，给出的方差通常更小，评估结果更稳健。这是学术研究和 Kaggle 比赛中的标准做法。在 2026 年，尽管硬件性能提升，INLINECODE24175c6a 依然是我们验证模型泛化能力的金标准。
场景 B：大样本与快速原型
当你有海量数据（例如几十万条样本）时，计算成本成为瓶颈。此时，进行 5 折或 10 折交叉验证可能太慢了。我们可以使用 INLINECODE80fa8bb3，设置 INLINECODE17d12fdd 或 INLINECODE3d952733，保持较小的 INLINECODE7d005708（如 0.1）。这样我们可以快速获得模型性能的估计，同时利用大量数据进行训练。
场景 C：学习曲线分析
在绘制学习曲线时，我们需要在不同的训练集大小下评估模型。INLINECODEca26ecdb 在这里非常灵活，我们可以通过改变训练集的大小（通过 INLINECODEeae9bbab）来观察模型是过拟合还是欠拟合。
2026 年技术趋势：从脚本到 AI 增强的工程化
我们正处于一个技术范式转移的时期。以前我们只是写脚本划分数据，现在我们需要构建可维护、可观测且由 AI 辅助的系统。
现代 AI 辅助工作流 (AI-Native Workflow)
在现代 IDE（如 Cursor 或 Windsurf）中，我们不仅仅是在写代码，而是在与结对编程。当我们使用 StratifiedKFold 时，AI 可以帮助我们快速生成可视化的诊断代码。
我们是如何利用 AI 优化这一过程的：
过去，我们需要手动编写循环来检查每一折的类别分布。现在，我们可以这样提示我们的 AI 伙伴：
> "请基于现有的 INLINECODEb390bb5e 和 INLINECODE2fc46be2，编写一个使用 INLINECODEef6f8922 的验证循环。要求：1. 输出每一折的正负样本比例；2. 使用 tqdm 库显示进度条；3. 捕获并处理可能出现的 ‘ValueError‘（例如当某个类别样本少于 nsplits 时）。"
这种工作流让我们专注于数据的逻辑验证，而不是代码的语法构建。AI 帮助我们生成了更安全的代码，例如自动处理了极小样本量的边缘情况。
可复现性与环境一致性
在 2026 年的分布式训练环境中，保持随机状态的一致性比以往任何时候都重要。INLINECODE1cf78fd7 和 INLINECODEf3660089 都接受 random_state 参数。
工程实践建议：
在我们的项目中，我们不再只是硬编码 INLINECODEc744c2c7。我们将所有超参数（包括数据划分的种子）集中管理在一个配置文件（如 INLINECODE3d648e9e 或 Hydra 配置中）。这意味着当我们使用 StratifiedKFold 时，我们可以确保即使我们在云端的 50 个 GPU 上同时运行实验，每一个节点的数据划分都是完全一致的。这种确定性对于排查分布式训练中的 Bug 至关重要。
生产环境中的陷阱：数据泄漏
这是最致命的错误。有些人会在调用 split() 之前 对整个数据集进行了标准化（如 MinMaxScaler）或 PCA 降维。
错误做法：
# 错误：先在全局数据上 fit scaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 然后再划分 -> 测试集信息泄漏到了训练集！
for train_index, test_index in skf.split(X_scaled, y):
...
这样做会导致测试集的信息（均值和方差）"泄漏"到了训练集中，使得评估结果虚高，模型上线后表现惨不忍睹。
正确做法 (2026 年版 Pipeline)：
我们强烈建议使用 scikit-learn 的 Pipeline。它不仅能防止数据泄漏，还能让我们的代码更易于部署。
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression
# 构建包含预处理和模型的 Pipeline
# 这样Scaler只会在循环内部对训练集fit，对测试集transform
pipeline = make_pipeline(StandardScaler(), LogisticRegression())
# 直接传入 Pipeline 和数据划分器
# 这是最简洁且安全的做法
scores = cross_val_score(pipeline, X, y, cv=skf, scoring=‘f1_macro‘)
print(f"模型平均 F1 分数: {scores.mean():.4f}")
print(f"分数标准差: {scores.std():.4f}")
常见错误与解决方案
在使用这两种方法时，新手经常会遇到一些坑。让我们看看如何避免它们。
错误 2：小样本下的类别丢失
虽然 INLINECODE1beca179 尽力保持比例，但在极端不平衡且样本极少的情况下（例如二分类中，正样本只有 1 个，INLINECODE87cde9dd），程序会报错 ValueError，因为它无法将这 1 个样本分配到 5 个折中且每折都有该类样本。
解决方案：
对于极小样本量，减少 INLINECODE1eb08544。如果正样本只有 2 个，那么 INLINECODE37142265 最多只能是 2。另一种方法是使用数据增强技术来增加少数类的样本，或者考虑使用 INLINECODEaa8c925b，并通过调整 INLINECODEed8ef1f4 来确保每次采样都能包含正样本。
结论
INLINECODE1fec7772 和 INLINECODE783e5c1a 都是我们在处理分类问题时的得力助手，它们通过分层策略确保了我们的训练集和测试集在类别分布上的一致性。
- 如果你追求模型评估的稳健性，并且数据量适中，
StratifiedKFold是你的首选。它像一位严谨的审计师，不放过任何一个样本的验证机会。 - 如果你需要控制测试集的具体比例，或者需要非常多次迭代来统计模型性能，又或者是面对海量数据需要快速验证，
StratifiedShuffleSplit则提供了更高的灵活性。
结合 2026 年的现代开发理念，我们不仅要会用这些工具，还要结合 Pipeline 来防止数据泄漏，利用 AI 工具来辅助编写更健壮的验证代码。掌握这两者的区别，不仅能帮助我们更准确地评估模型，更能体现我们在数据预处理环节的专业素养。在下一次的项目中，当你面对不平衡的分类数据时，希望你能自信地选择最合适的那个工具。