Hoe verdeel je gegevens in strata voor validatie?

Data stratificatie tijdens validatie is nodig om de verhoudingen van klassen of andere belangrijke kenmerken in de trainings- en testsets te behouden. Dit is vooral belangrijk bij ongebalanceerde gegevens.

Hoe gegevens in strata te verdelen:

1. Identificeer het belangrijkste kenmerk voor stratificatie (bijvoorbeeld de doelklasse).
2. Gebruik stratificatiemethoden zoals StratifiedKFold of train_test_split met de parameter stratify in scikit-learn.

Voorbeeld met scikit-learn:

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, random_state=42
)

Op deze manier garandeer je dat de klasseverdeling in de trainings- en testsets hetzelfde is, wat de kwaliteit van de modelbeoordeling verbetert.