机器学习入门06 - 训练集和测试集 (Training and Test Sets)

原文链接：https://developers.google.com/machine-learning/crash-course/training-and-test-sets

测试集是用于评估根据训练集开发的模型的数据集。

1- 拆分数据

可将单个数据集拆分为一个训练集和一个测试集。

• 训练集 - 用于训练模型的子集。
• 测试集 - 用于测试训练后模型的子集。

训练集的规模越大，模型的学习效果越好。
测试集规模越大，对于评估指标的信心越充足，置信区间就越窄。
在创建一个能够很好地泛化到新数据模型的过程中，测试集充当了新数据的代理。
拆分数据的一些注意事项：

• 两个数据集必须相互独立。
• 确保先进行随机化，再拆分数据。
• 如果数据集规模很小，可能需要执行诸如交叉验证之类较为复杂的操作。

确保测试集满足以下两个条件：

• 规模足够大，可产生具有统计意义的结果。
• 能代表整个数据集。换言之，挑选的测试集的特征应该与训练集的特征相同。

请勿对测试数据进行训练。
如果评估指标取得了意外的好结果，则可能表明您不小心对测试集进行了训练。例如，高准确率可能表明测试数据泄露到了训练集。

举例说明
假设一个模型要预测某封电子邮件是否是垃圾邮件，它使用主题行、邮件正文和发件人的电子邮件地址作为特征。
按照 80-20 的拆分比例将数据拆分为训练集和测试集。
在训练之后，该模型在训练集和测试集上均达到了 99% 的精确率，原本预计测试集上的精确率会低于此结果。
因此再次查看数据后发现，测试集中的很多样本与训练集中的样本是重复的（由于疏忽，在拆分数据之前，没有将输入数据库中的相同垃圾邮件重复条目清理掉）。
无意中对一些测试数据进行了训练，因此无法再准确衡量该模型泛化到新数据的效果。

2- 关键词

过拟合 (overfitting)
创建的模型与训练数据过于匹配，以致于模型无法根据新数据做出正确的预测。

测试集 (test set)
数据集的子集，用于在模型经由验证集的初步验证之后测试模型。
与训练集和验证集相对。

训练集 (training set)
数据集的子集，用于训练模型。
与验证集和测试集相对。