Datawhale AI 夏令营 NLP方向学习笔记

在机器学习和深度学习项目中，数据集通常被划分为三个部分：训练集（Training Set）、开发集（Development Set，也常被称为验证集，Validation Set）和测试集（Test Set）。这种划分的主要目的是为了评估模型的性能并防止过拟合，确保模型具有良好的泛化能力。下面是这三个数据集的具体作用：

1. 训练集（Training Set）：

   1. 作用：训练集用于训练模型，使模型能够学习输入数据与输出结果之间的映射关系。模型会根据训练集中的样本调整其参数，以最小化预测误差。

   2. 目标：让模型在训练数据上尽可能地拟合好，学习到数据的内在规律。

1. 开发集/验证集（Development/Validation Set）：

   1. 作用：开发集用于在模型训练过程中调整超参数、选择模型架构以及防止过拟合。它作为独立于训练集的数据，用于评估模型在未见过的数据上的表现。

   2. 目标：通过在开发集上的性能评估，选择最佳的模型配置，避免模型在训练集上过度拟合，确保模型的泛化能力。

1. 测试集（Test Set）：

   1. 作用：测试集用于最终评估模型的性能，是在模型训练和调参完全完成后，用来衡量模型实际应用效果的一组数据。它是最接近真实世界数据的评估标准。

   2. 目标：提供一个公正、无偏见的性能估计，反映模型在未知数据上的泛化能力。

在同样的数据集下运行的两个baseline
最初的baseline

改进参数后的baseline

很遗憾，没有运行成功，会在后续的学习中仔细研究原因