深入淺出之機器學習中的三個數據集

一般需要將樣本分成獨立的三部分訓練集(train set)，驗證集(validation set)和測試集(test set)。其中訓練集用來估計模型，驗證集用來確定網絡結構或者控制模型複雜程度的參數，而測試集則檢驗最終選擇最優的模型的性能如何。一個典型的劃分是訓練集佔總樣本的50％，而其它各佔25％，三部分都是從樣本中隨機抽取。

樣本少的時候，上面的劃分就不合適了。常用的是留少部分做測試集。然後對其餘N個樣本採用K折交叉驗證法。就是將樣本打亂，然後均勻分成K份，輪流選擇其中K－1份訓練，剩餘的一份做驗證，計算預測誤差平方和，最後把K次的預測誤差平方和再做平均作為選擇最優模型結構的依據。特別的K取N，就是留一法（leave one out）。

training set是用來訓練模型或確定模型參數的，如ANN中權值等； validation set是用來做模型選擇（model selection），即做模型的最終優化及確定的，如ANN的結構；而 test set則純粹是為了測試已經訓練好的模型的推廣能力。當然，test set這並不能保證模型的正確性，他只是說相似的數據用此模型會得出相似的結果。但實際應用中，一般只將數據集分成兩類，即training set 和test set，大多數文章並不涉及validation set。

train訓練集

訓練數據，擬合模型，用這部分數據來建立模型，是一些我們已經知道輸入和輸出的數據集訓練機器去學習，通過擬合去尋找模型的初始參數。例如在神經網絡（Neural Networks)中， 我們用訓練數據集和反向傳播算法（Backpropagation）去每個神經元找到最優的比重（Weights)。

validation驗證集

驗證數據，train建了一個模型，但是模型的效果僅體現了訓練數據，但不一定適合同類的其他數據，所以建模前數據分成兩部分，一部分為訓練數據，一部分為驗證數據（兩部分數據的比例大致為7:3，這取決於你驗證的方法）。另外，你也可能訓練多個模型，但不知哪個模型性能更佳，這時可以將驗證數據輸入不同模型進行比較。

是一些我們已經知道輸入和輸出的數據集，通過讓機器學習去優化調整模型的參數，在神經網絡中， 我們用驗證數據集去尋找最優的網絡深度（number of hidden layers)，或者決定反向傳播算法的停止點；在普通的機器學習中常用的交叉驗證（Cross Validation) 就是把訓練數據集本身再細分成不同的驗證數據集去訓練模型。

test測試集

測試數據。跟前兩者的最大區別在於：train和validation數據均是同一對象的數據，但是測試，我們就需要用跨對象的數據來驗證模型的穩定性。

用戶測試模型表現的數據集，根據誤差（一般為預測輸出與實際輸出的不同）來判斷一個模型的好壞。

為什麼驗證數據集和測試數據集兩者都需要？

因為驗證數據集（Validation Set)用來調整模型參數從而選擇最優模型，模型本身已經同時知道了輸入和輸出，所以從驗證數據集上得出的誤差（Error)會有偏差（Bias)。

但是我們只用測試數據集(Test Set) 去評估模型的表現，並不會去調整優化模型。

在傳統的機器學習中，這三者一般的比例為training/validation/test = 50/25/25, 但是有些時候如果模型不需要很多調整隻要擬合就可時，或者training本身就是training+validation (比如cross validation)時，也可以training/test =7/3.

但是在深度學習中，由於數據量本身很大，而且訓練神經網絡需要的數據很多，可以把更多的數據分給training，而相應減少validation和test。

本文來自技術博主Wayne，關注基數智能公眾號jishu2017ai，一起加入人工智能技術大本營。