數據切割的目的主要是分出訓練集跟測試集。
假如不分割會出現測試集資料在訓練集裡面出現，那不就是照抄答案了嘛!
會造成model的準確率不可考。之前就是這樣被教授念過，那時候笨笨的總是想懶惰不想理解。

train_test_split()

train_test_split(*arrays, test_size=None, train_size=None, random_state=None, shuffle=True, stratify=None)

參數介紹:

1. arrays: 傳入要分割的陣列或資料集，通常是特徵 X 和標籤 y。
2. testsize: 指定測試集佔總資料的比例或數量。
3. trainsize: 指定訓練集佔總資料的比例或數量。
4. randomstate: 隨機數種子，確保每次分割的結果都相同。
5. shuffle: 在分割前是否要打亂資料，預設為 True。
6. stratify: 用來確保分割後的訓練集和測試集中，各類別的比例與原始資料集一致，常用於處理不平衡資料。*
   

tf.split()

tf.split(value, num_or_size_splits, axis)

參數介紹:

1. value: 這是要被分割的輸入張量。
2. um_or_size_splits:如果是一個整數：表示要將張量平均切分成幾份。
3. axis: 指定要進行切割的維度。axis=0 是第一個維度，axis=1 是第二個維度，以此類推。
   

fit

fit當中的一個參數「validation_split」，平時使用時可以不用寫，但不可以不把數據切割就直接進行訓練。