首先顧名思義的進行理解：
訓練指參與了反向傳播，對神經網路引數本身有調整的，叫訓練。相當於書上的典型例題。做完以後必須對答案弄懂弄透的那種，主要功能是學習知識本身。
驗證指的是檢驗成果，驗證從詞義本身理解，如人臉驗證，指紋驗證，往往是可以多次進行的。相當於模擬考試，一般有很多輪模考。這些模擬考試中的模擬題有答案但沒有詳細的解法，只用來評分但不用來學習知識，為的是驗證之前的學習效果。由於題量即訓練集樣本的數目是固定的，大家拿到的題目無論是內容還是數目都一模一樣，成績的好壞在於做題的方法。所以在神經網路訓練中驗證集主要是用來調整超引數，即通過模考調整學習方法，淘汰掉那些直接背答案的不具有泛化能力的學習方法，通過模考不斷調整學習方法真正吸收知識做到舉一反三的效果。
測試集則相當於高考，只有一次，誰都不能提前知道高考題，考了多少就是多少。
驗證和測試的區別在於驗證是可以多次進行的，而測試是一錘定音的。為了高考能考好，在考前不斷地做模考來調整自己的學習方法。
由於測試集的特點在於在高考前沒有人能夠知道高考題。如果使用測試集即高考題反覆調整學習方法即超引數，最後又使用相同的題目作為最終評價標準。就相當於提前獲得了高考題，然後用高考題作為模擬題不斷調整學習方法，獲得乙個最好成績以後又去考一模一樣的題，自然不能客觀評價該學習方法的好壞。比如你通過洩題知道今年高考幾何考很難，然後你對幾何的學習就更加細緻，最後果然取得了好成績，這當然不能公正地代表你的實力。究其原因在於提前利用測試集對超引數進行了調整，而測試集是不應該被提前知道的。
該方法為一篇sci**中的具體用法。先按7:3將所有資料劃分成非測試集和測試集。然後對非測試集使用5折交叉驗證來獲得最優超引數，即將非測試集分為5份，然後分別將每1份作為驗證集，其他作為訓練集來進行訓練和驗證。在這一過程中，保持超引數一致，然後取5個模型的平均訓練loss和平均驗證loss，來衡量超引數的好壞。最後取得乙個滿意的超引數以後，使用全部非測試集作為訓練集，用該超引數訓練獲得1個模型。最後測試這一模型在測試集上的表現。對於交叉驗證法的理解可參考《通俗易懂徹底理解十倍交叉驗證法》
First集Follow集通俗易懂的講解加例項
文法 s abc a a b b first集合求法 能由非終結符號推出的所有的開頭符號或可能的 但要求這個開頭符號是終結符號。如此題a可以推導出a和 所以first a a，同理 first b s可以推導出abc，還可以推導出bc，還可以推導出c，所以first s a，b，c follow集合...
通俗易懂徹底理解十倍交叉驗證法
將所有資料分為十份，然後將每乙份作為驗證集，其他作為訓練集來進行訓練和驗證。在這一過程中，保持超引數一致，然後取10個模型的平均訓練loss和平均驗證loss，來衡量超引數的好壞。最後取得乙個滿意的超引數以後，使用全部資料作為訓練集，用該超引數訓練獲得1個模型。為了降低由於訓練集和驗證集單次劃分而導...
訓練集 驗證集和測試集的理解
相信很多小夥伴在學習機器學習的過程中時常遇到 訓練集 驗證集與測試集 三個術語，大部分人比較容易理解訓練集和測試集的區別與作用，而對驗證集和測試集的理解卻十分模糊。本文就從機器學習的一般流程進一步 三個資料集的具體作用。先來看看三種資料集的劃分 ripley,b.d對三種屬於的經典解釋 由此可見，驗...