机器学习 数据挖掘 数据集划分 训练集 验证集 测试集

机器学习数据挖掘之数据集划分： 训练集 验证集 测试集

Q：将数据集划分为测试数据集和训练数据集的常用套路是什么呢？

A：three ways shown as follow:

1.像sklearn一样，提供一个将数据集切分成训练集和测试集的函数：

默认是把数据集的75%作为训练集，把数据集的25%作为测试集。

2.交叉验证（一般取十折交叉验证：10-fold cross validation）

k个子集，每个子集均做一次测试集，其余的作为训练集。

交叉验证重复k次，每次选择一个子集作为测试集，并将k次的平均交叉验证识别正确率作为结果。

3.训练数据，验证数据（注意区别交叉验证数据集），测试数据（在Coursera上提到）

一般做预测分析时，会将数据分为两大部分。一部分是训练数据，用于构建模型，一部分是测试数据，用于检验模型。但是，有时候模型的构建过程中也需要检验模型，辅助模型构建，所以会将训练数据在分为两个部分：1）训练数据；2）验证数据（Validation Data）。验证数据用于负责模型的构建。典型的例子是用K-Fold Cross Validation裁剪决策树，求出最优叶节点数，防止过渡拟合（Overfitting）。

所以：

训练数据（Test Data）：用于模型构建

验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用。

测试数据（Test Data）：用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。

references
http://www.cnblogs.com/bourneli/archive/2013/03/11/2954060.html
http://blog.csdn.net/lhx878619717/article/details/49079785 http://blog.csdn.net/chloezhao/article/details/53502674 https://segmentfault.com/q/1010000005917400