我目前正在完成一本关于机器学习的练习册，可以说是这门学科的脚。现在我正在研究一个房地产数据集：每个实例都是加利福尼亚州的一个地区，并且有几个属性，包括该地区的收入中位数，该收入中位数已按比例调整并上限为 15。收入中位数直方图显示，大多数收入中位数值集中在 2 到 5 左右，但有些值远远超过 6。作者希望使用分层抽样，根据收入中位数值对分层进行分层。他提供了下一段代码来创建收入类别属性。
housing["income_cat"] = np.ceil(housing["median_income"] / 1.5)
housing["income_cat"].where(housing["income_cat"] < 5, 5.0, inplace=True)
他解释说，他将median_income除以1.5以限制类别的数量，然后他只保留低于5的类别，并将所有其他类别合并到类别5中。
我不明白的是
- 为什么划分每个实例的median_income来创建地层在数学上是合理的？这种划分的结果究竟意味着什么？还有其他方法可以计算/限制地层数量吗？
- 除法如何限制类别的数量，为什么他选择 1.5 作为除数而不是不同的值？他怎么知道该选择哪个值？
- 为什么他只想要5个类别，他事先怎么知道至少有5个类别？
任何帮助理解这些决定将不胜感激。
我也不确定这是否是我应该发布这个问题的 StackOverFlow 类别，所以如果我这样做犯了错误，请让我知道什么是合适的论坛。
谢谢！
您可能是根据您的数据集对此进行更多分析的合适人选。但是我可以帮助您理解分层抽样，以便您有一个想法。
分层抽样：假设您有一个包含食用不同水果的消费者的数据集。一个特征是"水果类型"，这个特征有10个不同的类别(苹果，橙子，葡萄)。等)现在，如果您只是从数据集中抽样数据，则样本数据可能无法涵盖所有类别。这在训练数据时非常糟糕。为了避免这种情况，我们有一种称为分层抽样的方法，在这个概率中每个不同的类别都是相同的，这样我们就不会错过任何有用的数据。
如果您还有任何问题，请告诉我，我很乐意为您提供帮助。