机器学习中训练集、验证集和测试集的关系

初学机器学习，有些基本知识理解不是太懂，点滴记录，每天都在进步。

训练集、验证集和测试集是机器学习中比较基本的概念。初次接触时，感觉验证集和测试集是同一个东东，都是用来检验分类模型的好坏，仔细比较学习后，才发现它两有本质区别。

训练集（Training set）

用来拟合模型，通过设置分类器的参数，训练分类模型。后续结合验证集作用时，会选出同一参数的不同取值，拟合出多个分类器。

验证集（Validation set）

通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。选出效果最佳的模型所对应的参数，即用来调整模型参数。

测试集（Test set）

通过训练集和验证集得出最优模型后，使用测试集进行模型预测。用来衡量该最优模型的性能和分类能力。往往用测试集的判别效果来估计模型在实际使用时的泛化能力。

模型评估的方法有很多，中间会涉及到数据集D的不同划分方法。一般数据集D的划分比例是—— 训练集：验证集：测试集 （6:2:2）