在機器學習中，我們通常使用訓練數據來訓練分類器。其中，真樣本用于訓練分類器的“真實”部分，以便分類器能夠學會如何識別各種特征。假樣本則用于向分類器提供“虛假”的示例，以使其能夠更好地識別和分類真實樣本。

# 導入必要的庫
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 讀取數據
data = pd.read_csv('data.csv')
# 分割數據
x = data.iloc[:, :-1]
y = data.iloc[:, -1]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
# 創建并訓練模型
model = LogisticRegression()
model.fit(x_train, y_train)
# 預測結果并評估模型
y_pred = model.predict(x_test)
accuracy = np.mean(y_pred == y_test)
# 輸出結果
print('Accuracy:', accuracy)

上面的代碼片段是一段使用Python進行真假樣本訓練的代碼示例。我們首先導入必要的庫，然后讀取數據并對其進行分割。接下來，我們使用邏輯回歸模型來訓練模型，對測試數據進行預測，并計算模型的精度。

在訓練模型時，我們需要確保我們在真實和假樣本之間進行平衡，以避免任何偏見或過擬合。我們還可以使用其他技術，如交叉驗證和調整超參數，以進一步提高模型的準確性。

總之，使用真假樣本訓練是機器學習的重要方面之一，它可以幫助分類器更好地理解并識別不同的特征。使用Python進行真假樣本訓練非常方便，而且代碼非常簡潔明了。