这在类别不平衡（Class Imbalance）的场景下尤为重要，例如手写数字识别（MNIST）中某些数字的样本可能较少（如数字。可以确保划分后的子集保留原始数据的类别比例，避免模型因训练集或测试集分布偏差而表现异常。可能无法严格分层（因无法拆分为训练集和测试集），此时会抛出警告或错误。如果某个类别的样本数过少（例如某类仅有1个样本），的类别分布进行分层抽样。