訓練集：用於訓練模型的資料集。
開發集（驗證集）：在通過訓練集獲得訓練模型後，對訓練模型的引數進行調整的資料集。
測試集：用於測試最終生成的模型的資料集。
訓練集\開發集\測試集確定：
1.傳統的機器學習領域中，由於收集到的資料量往往不多需要將收集到的資料分為三類：訓練集、驗證集、測試集。也可以分為兩類，不需要開發集集。
比例根據經驗不同而不同，這裡給出乙個例子，如果是三類，可能是訓練集：驗證集：測試集比例為6:2:2；如果是兩類，可能是訓練集：測試集比例為7:3。因為資料量不多，所以驗證集和測試集需要佔的資料比例比較多。
2.在大資料時代的機器學習或者深度學習領域中，如果還是按照傳統的資料劃分方式不是十分合理，因為測試集和驗證集用於評估模型和選擇模型，所需要的資料量和傳統的資料量差不多，但是由於收集到的資料遠遠大於傳統機器學習時代的資料量，所以佔的比例也就要縮小。訓練集：驗證集：測試集比例為98:1:1。如果是兩類，也就是相同的道理。
注意：有些人在把資料分類的時候是沒有測試集資料，而把實際上的驗證集資料叫做測試集資料，這樣並不是十分合理，有測試集比較放心，建議把資料分類最好有這個資料集，也就是分為三類資料。
但是只要有足夠的資料去訓練，足夠的資料去驗證就行了。有時只有訓練集和測試集並不是完全不合理。
訓練集 驗證集 測試集
訓練集loss 驗證集loss 測試集loss 乙個好的網路，二者的差距應該是很低的。但一般情況下因為網路不可避免地存在一定程度上的過擬合，所以肯定是train loss低於test lost，但如果低太多，就得考慮是過擬合的問題還是因為樣本的特徵空間不統一的問題。驗證集基本是在每個epoch完成後...
訓練集，驗證集，測試集
普通引數就是可以被梯度下降所更新的，也就是訓練集所更新的引數。超引數是指訓練開始之前設定的引數，不在梯度下降的更新範圍內，比如網路層數 網路節點數 迭代次數 學習率等等 1.訓練集 確定模型後，用於訓練普通引數 2.驗證集 交叉驗證集cv 驗證集在每個epoch訓練完成後，用來測試一下當前模型的準確...
訓練集 測試集 驗證集
訓練集 用來訓練和擬合模型。驗證集 當通過訓練集訓練出多個模型後，使用驗證集資料糾偏或比較 測試集 模型泛化能力的考量。泛化 對未知資料的 能力 from sklearn.model selection import train test split import numpy as np from ...