SPSS如何实现随机划分训练集与验证集？

Question

在使用SPSS进行机器学习或统计建模时，如何将数据集随机划分为训练集和验证集是一个常见且关键的问题。许多用户不清楚SPSS是否支持直接的随机抽样分割功能，以及如何确保划分过程具备可重复性（如设置随机种子）。常见的疑问包括：应采用“选择个案”还是“计算变量”中的随机函数？如何按指定比例（如70%训练集、30%验证集）准确划分？此外，分层抽样（stratified sampling）在分类不平衡时如何实现？这些问题直接影响模型评估的可靠性，亟需清晰的操作步骤与方法指导。

Answer 1

在SPSS中实现数据集的随机划分：从基础操作到分层抽样策略

1. SPSS是否支持数据集的随机划分？

是的，SPSS虽然不像Python或R那样原生集成机器学习流水线，但其强大的数据管理功能完全支持将数据集划分为训练集和验证集。用户可通过“计算变量”生成随机数，结合“选择个案”功能实现灵活的样本分割。

关键在于理解SPSS的两种核心机制：

• COMPUTE 命令：用于创建新变量，如使用 RV.UNIFORM() 生成均匀分布的随机数
• SELECT IF 或 “选择个案”对话框：用于基于条件筛选子集

这种组合方式为可控、可重复的随机抽样提供了基础。

2. 如何通过随机数实现70%/30%的数据划分

以下步骤展示如何按比例划分数据集：

1. 打开数据文件，在菜单栏选择【转换】→【计算变量】
2. 目标变量命名为：rand_num
3. 数值表达式输入：RV.UNIFORM(0,1)
4. 点击确定，生成一个[0,1)区间内的随机数列
5. 再次进入【数据】→【选择个案】
6. 选择“如果条件满足”，并输入表达式：rand_num <= 0.7
7. 未被选中的个案即为验证集（30%）
8. 可通过【数据】→【拆分文件】或保存为不同数据集进行后续建模

案例编号	特征X	标签Y	rand_num	所属集合
1	2.3	1	0.65	训练集
2	1.8	0	0.89	验证集
3	3.1	1	0.22	训练集
4	2.7	0	0.71	验证集
5	2.0	1	0.45	训练集
6	3.5	0	0.12	训练集
7	2.9	1	0.93	验证集
8	1.6	0	0.54	训练集
9	3.3	1	0.77	验证集
10	2.4	0	0.33	训练集

3. 如何确保划分过程的可重复性（设置随机种子）

SPSS允许通过命令语法设置伪随机数生成器的初始状态，从而保证结果可复现。这在科研与模型对比中至关重要。

SET SEED = 12345.
COMPUTE rand_num = RV.UNIFORM(0,1).
EXECUTE.

使用 SET SEED 命令后，每次运行相同代码都将产生相同的随机序列。建议所有分析脚本均包含此设定，以增强研究透明度。

4. 分层抽样：处理类别不平衡的关键策略

当目标变量（如分类标签）分布不均时（例如正负样本比为9:1），简单随机划分可能导致训练集中某些类别样本过少，影响模型泛化能力。此时应采用分层抽样。

实现方法如下：

1. 使用【数据】→【拆分文件】，按分类变量（如“类别”）分组
2. 执行 SET SEED 并 COMPUTE 随机数
3. 取消拆分后，对每个类别内部按随机数排序并取前70%

也可通过聚合与排名技术精确控制各层比例。

5. 使用SPSS Syntax自动化整个流程

以下是完整语法示例，实现带种子控制的分层70/30划分：

* 设置随机种子;
SET SEED = 98765.

* 生成随机数;
COMPUTE rand_val = RV.UNIFORM(0,1).

* 按类别分组排序;
SORT CASES BY 类别 rand_val.

* 计算每组累计比例;
RANK VARIABLES=rand_val BY 类别 /RFRACTION INTO cum_prop.

* 定义训练集：cum_prop ≤ 0.7;
COMPUTE dataset_flag = 0.
IF (cum_prop <= 0.7) dataset_flag = 1.
VALUE LABELS dataset_flag 1 'Training' 0 'Validation'.

6. 可视化与验证划分效果（Mermaid流程图）

graph TD A[原始数据集] --> B{是否设置SEED?} B -- 是 --> C[SET SEED=xxx] B -- 否 --> D[警告: 不可重复] C --> E[COMPUTE 随机数] E --> F{是否分层?} F -- 是 --> G[按类别拆分文件] G --> H[组内排序并计算累积比例] H --> I[标记训练/验证] F -- 否 --> J[全局排序并按阈值划分] J --> I I --> K[保存两个子集] K --> L[分别建模与评估]