Model yang sudah di-fit telah memakai label pelatihan. Mengukurnya pada baris yang sama hanya menunjukkan seberapa baik model itu mereproduksi observasi yang sudah dikenalnya, bukan seberapa baik model itu menangani observasi baru. Partisi uji menyediakan baris yang tetap berada di luar proses fitting. Pisahkan input dan label sekaligus agar setiap baris fitur tetap memiliki hasil aslinya.
random_state yang tetap membuat sebuah latihan dapat diulang. Itu tidak membuat satu pembagian representatif untuk semua kasus. Stratifikasi menjaga proporsi kelas secara perkiraan dan membantu mencegah label langka hilang dari partisi kecil. Tempatkan setiap baris tepat di satu partisi, dan gunakan ukuran pembagian yang diminta. Latihan-latihan ini sengaja menolak partisi yang saling tumpang tindih dan label yang diacak secara terpisah. Pelajaran berikutnya membahas kembali mengapa waktu dan pelanggan yang berulang dapat memerlukan strategi pembagian yang berbeda.
Membagi input dan label sekaligus menjaga korespondensi keduanya. Holdout yang tidak disentuh memperkirakan kinerja pada baris yang belum pernah dilihat model yang telah dilatih.