驗證集 —— 是模型訓練過程中單獨留出的樣本集，它可以用於調整模型的超引數和用於對模型的能力進行初步評估。
測試集 —— 用來評估模最終模型的泛化能力。但不能作為調參、選擇特徵等演算法相關的選擇的依據。
訓練集用於模型引數，測試集用於估計模型對樣本的泛化誤差，驗證集用於「訓練」模型的超引數。
我們知道乙個機器學習模型通常包括兩個部分的引數：模型引數和超引數。其中超引數是用於控制模型行為的超引數，這些引數不是通過模型本身學習而來的。例如多項式回歸模型裡面，多項式的次數，學習速率是超引數。這些超引數不能由模型本身訓練得到，是因為模型會傾向把引數訓練的過大或者過小，從而極容易導致過擬合。例如多項式回歸模型裡面。如果讓模型本身去訓練多項式的次數，那麼模型會選擇高次多項式，因為這樣做誤差可以取到特別小，極端情況下，n個點的多項式回歸會選擇次數n。然而這些超引數，也會有不同的選擇，例如學習速率可以選擇0.1， 0.01， 1， 10···那麼我們怎麼知道超引數的某個值比另外乙個好呢？乙個很自然的想法是我們可以選擇不同的超引數值，然後跑在同乙個訓練集上再看看最後的結果。
參考：1
2
深度學習 驗證集 測試集 區別
類別 驗證集測試集 是否被訓練到否否 作用純粹用於調超引數 純粹為了加試以驗證泛化效能 使用次數 多次使用，以不斷調參 僅僅一次使用 缺陷模型在一次次重新手動調參並繼續訓練後所逼近的驗證集，可能只代表一部分非訓練集，導致最終訓練好的模型泛化效能不夠 測試集為了具有泛化代表性，往往資料量比較大，測試一...
深度學習中的訓練集與測試集
看上面的圖，這是乙個邏輯回歸演算法的dag 有向無環圖 它是這個二分類演算法的簡單應用流程的展示。可以看到我們在採集完資料並做過處理後，會把資料進行拆分。訓練集作用訓練模型，而測試集會被輸入到模型中來評估模型的效能。這是我們測試人工智慧服務的最常用方式，通過這個流程會產生乙個模型的評估報告，如下 當...
機器學習中訓練集 驗證集和測試集的區別
通常，在訓練有監督的機器學習模型的時候，會將資料劃分為訓練集 驗證集合測試集，劃分比例一般為0.6 0.2 0.2。對原始資料進行三個集合的劃分，是為了能夠選出效果 可以理解為準確率 最好的 泛化能力最佳的模型。訓練集 training set 作用是用來擬合模型，通過設定分類器的引數，訓練分類模型...