训练集、验证集和测试集：机器学习中的数据划分详解

训练集、验证集和测试集：机器学习中的数据划分详解

引用

CSDN

1.

https://blog.csdn.net/m0_49866160/article/details/136381625

在机器学习和深度学习中，数据集的划分是模型训练和评估的基础。训练集、验证集和测试集各自承担着不同的角色，正确理解它们的概念和作用对于构建有效的模型至关重要。本文将详细解释这些概念，并探讨它们之间的联系和实验注意事项。

训练集、验证集和测试集概念

训练集（Training Set）：用于训练模型的数据集。训练集用来训练模型，拟合出数据分布规律，即确定模型的权重和偏置等参数，这些参数称为学习参数。

• 训练集使用多次
• 确定模型权重、偏置等学习参数
• 训练出（学习出）模型

验证集（Validation Set）：用于验证模型性能的数据集。在模型训练过程中，验证集用来调整模型参数和超参数，以优化模型性能，避免过拟合，即验证集用于模型选择，并不参与学习参数的确定，而是为了选择出模型误差较小的模型参数和超参数。

• 验证集使用多次
• 调整并选择模型参数和超参数
• 选择模型（验证模型性能）

测试集（Test Set）：用于评估模型性能的数据集。在模型训练完成后，测试集用来评估模型的泛化能力（泛化能力即模型在未知数据上的表现），即测试集仅在训练完成后使用一次，评价最终模型的效果（其实，测试集可以跑多个epoch）。

• 不参与学习参数过程，也不参与超参数选择过程
• 测试集仅使用一次，完全独立，测试集未参与过训练或验证
• 评价最终模型

三者的联系和实验注意事项

• 因训练集在学习模型过程中反复大量使用，验证集对模型偶尔的调整，测试集只对最终模型评价，所以，训练集、验证集和测试集数据常常划分关系：8:1:1或6:2:2，且三个数据集所用数据是不重叠的，是不同的！
• 测试集如同高考，决定最终成绩，决定最终模型性能，两人参加高考考同一份试卷，分数才能作对比，即只有在同样的测试集上，两个（或以上）模型的对比才有效。（已有论文中常常不告知数据集的划分方式，为了和已有论文模型作对比，就是自己划分数据集，复现已有论文模型，将自己提出的模型和复现的对方的模型在相同测试集上作对比，说明自己提出模型的效果！！！）
• 验证集如同高考的模拟考试——一模、二模、三模，通过参与模拟考，就可以调整自己考试状态，争取高考时达到一个好的状态，即验证集是为了从一堆可能的模型中，找到帮你表现最好的模型（指模型的参数、超参数），注意：这里的表现是在验证集上，选择了模型表现最好的超参数，再用测试集评估时，也可能存在效果不好的情况；
• 训练集如同作业题、练习题、周测、月测等等，模拟考、高考题一般都不会和平时练习题相同，是为了让学生学会知识、规律和举一反三的能力，所以训练集、验证集和测试集最好都没有重叠，模型才具有说服力。（目前公开的数据集，很多都已经划分好了训练集、验证集和测试集，且都没有数据重叠）
• 训练集和测试集易区分，验证集和测试集常搞混，验证集和测试集主要区别：

交叉验证

将数据集单纯划分为训练集、验证集和测试集时，并不是所有数据都参与了训练，存在数据信息利用不全的弊端，由于验证集只代表一部分非训练数据集，导致最终训练好的模型测试时的泛化能力并不好，所以为了保证泛化误差的稳定性，得到理想的模型，可以使用交叉验证，这里介绍K折验证法
（交叉验证方法很多，此篇涉及多种以及代码实现：https://blog.csdn.net/WHYbeHERE/article/details/108192957）

K折交叉验证：

1. 将数据集分为训练集和测试集，测试集放在一边。
2. 将训练集分为 k 份，每次使用 k 份中的1 份作为验证集，其他全部作为训练集。
3. 通过 k 次训练后，得到了 k 个不同的模型。
4. 评估 k 个模型的效果，从中挑选效果最好的超参数。
5. 使用最优的超参数，然后将 k 份数据全部作为训练集重新训练模型，得到最终所需模型，最后再到测试集上测试。

参数、超参数的理解

• 模型参数：参数属于模型内部的配置变量，它们通常在建模过程自动学习得出。如：线性回归或逻辑回归中的系数、支持向量机中的支持向量、神经网络中的权重、偏置。
• 模型超参数：超参数属于模型外部的配置变量，他们通常由研究员根据自身建模经验手动设定。如学习速率，迭代次数，层数、K近邻中的K值。

深度学习的三大要素

• 数据
• 架构
• 损失