机器学习中的数据集及其划分
- 训练集、验证集和测试集
- 数据集的划分
训练集、验证集和测试集
训练集（Training Dataset）是用来训练模型使用的，通过前向传播和反向传播更新模型中的权重等参数。
验证集（Validation Dataset）根据每一个epoch训练之后模型在新数据上的表现来调整超参数（如学习率等），或是否需要训练的early stop，让模型处于最好的状态。但注意验证集是没有参与模型中权重等参数的调整。
测试集（Test Dataset）来做模型最终的评估，得到一系列评估指标，测试模型的泛化能力。
举一个例子：
- 训练集——课本：学生上课学习课本知识；
- 验证集——作业：通过作业了解学生的学习情况（知识掌握程度、进步的快慢等）
- 测试集——考试：考试题目是平常没有见过的，用来评判学生的真实能力。
数据集的划分
- 留出法（Holdout cross validation）
按照固定比例将数据集静态的划分为训练集、验证集、测试集的方式就是留出法。
对于小规模样本集（几万量级），常用的分配比例是 60% 训练集、20% 验证集、20% 测试集。若不划分验证集，则常用的分配比例为70% 训练集和30% 测试集。
对于大规模样本集（百万级以上），只要验证集和测试集的数量足够即可，例如有 100w 条数据，那么留 1w 验证集，1w 测试集即可。1000w 的数据，同样留 1w 验证集和 1w 测试集。
- 留一法（Leave one out cross validation）
一般在数据集缺乏时使用。将数据集分为训练集和测试集，将测试集放在一边，将训练集逐一切分，每次的验证集都只有一个样本，要进行 m 次训练和预测。 这个方法用于训练的数据只比整体数据集少了一个样本，因此最接近原始样本的分布。但是训练复杂度增加了，因为模型的数量与原始数据样本数量相同。
- k 折交叉验证（k-fold cross validation）
静态的「留出法」对数据的划分方式比较敏感，有可能不同的划分方式得到了不同的模型。「k 折交叉验证」是一种动态验证的方式，这种方式可以降低数据划分带来的影响。具体步骤如下：
- 将数据集分为训练集和测试集，将测试集放在一边；
- 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；
- 通过 k 次训练后，我们得到了 k 个不同的模型；
- 评估 k 个模型的效果，从中挑选效果最好的超参数；
- 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，得到最终模型。
k 一般取 10 数据量小的时候，k 可以设大一点，这样训练集占整体比例就比较大，不过同时训练的模型个数也增多。 数据量大的时候，k 可以设小一点。
