8.4.1 验证集、验证集和测试集
在机器学习和深度学习中,数据集通常被分为三个主要部分:训练集、验证集和测试集。这种划分有助于评估模型的性能并进行调优,以确保模型在未见过的数据上表现良好。
- 训练集(Training Set): 训练集是用于训练模型的数据集。模型通过观察训练集中的样本来学习数据的模式和特征。训练集通常是数据量最大的部分,模型根据训练集调整参数,以尽量准确地拟合训练数据。
- 验证集(Validation Set): 验证集用于调优模型的超参数和模型结构。模型在训练过程中可以观察验证集的性能,根据验证集的表现来选择最佳的超参数设置,避免过拟合。验证集在训练过程中没有直接参与参数更新,它只是用于评估模型在未见过数据上的性能。在模型选择和调优结束后,最终的性能评估应该使用测试集。
- 测试集(Test Set): 测试集用于最终评估模型在未见过的数据上的性能。模型在训练和验证过程中没有接触过测试集,因此,测试集可以有效地衡量模型在现实应用中的泛化能力。测试集的目的是模拟模型在实际应用中的表现,以便了解模型是否过拟合或欠拟合,以及在不同数据分布上的性能。
在实际应用中,通常将上述三者(训练集:验证集:测试集)的划分比例设置为:70%:15%:15% 或 80%:10%:10%。在不同的项目中,这些比例可以根据问题的复杂性和数据量的大小进行调整。
在实际应用中,应该遵循以下步骤进行操作:
- 使用训练集来训练模型的参数。
- 使用验证集来选择最佳的超参数设置和模型结构。
- 使用测试集来最终评估模型的性能。
- 通过合理划分数据集和使用验证集和测试集,可以更好地了解模型的表现,避免过拟合,以及选择最佳的模型和超参数。
请看下面的例子,演示了在 TensorFlow 中划分数据集并进行模型训练、验证和测试的过程。
实例8-1:TensorFlow划分数据集并进行模型训练、验证和测试(源码路径:daima/8/ji.py)
实例文件ji.py的主要实现代码如下所示。
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 生成示例数据
num_samples = 1000
input_dim = 10
output_dim = 1
X = np.random.rand(num_samples, input_dim)
y = np.random.randint(2, size=(num_samples, output_dim)) # 模拟二分类标签
# 划分数据集:训练集、验证集和测试集
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.3, random_state=42)
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)
# 构建神经网络模型
model = Sequential([
Dense(32, activation='relu', input_shape=(input_dim,)),
Dense(16, activation='relu'),
Dense(output_dim, activation='sigmoid')
])
# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# 训练模型
batch_size = 32
num_epochs = 50
model.fit(X_train, y_train, batch_size=batch_size, epochs=num_epochs, validation_data=(X_val, y_val))
# 使用验证集评估模型性能
val_loss, val_accuracy = model.evaluate(X_val, y_val)
print(f"Validation Loss: {val_loss:.4f}, Validation Accuracy: {val_accuracy:.4f}")
# 使用测试集评估模型性能
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f"Test Loss: {test_loss:.4f}, Test Accuracy: {test_accuracy:.4f}")
对上述代码的具体说明如下:
- 生成示例数据,并使用 train_test_split 函数将数据划分为训练集、验证集和测试集。
- 构建一个简单的神经网络模型,包括输入层、隐藏层和输出层。
- 编译模型,指定优化器、损失函数和评价指标。
- 使用 model.fit 方法进行模型训练,传入训练数据和验证数据。
- 使用 model.evaluate 方法分别在验证集和测试集上评估模型的性能,并输出损失和准确率。
执行后会输出:
Epoch 1/30
22/22 [==============================] - 7s 92ms/step - loss: 0.6956 - accuracy: 0.5129 - val_loss: 0.6955 - val_accuracy: 0.5000
Epoch 2/30
22/22 [==============================] - 0s 12ms/step - loss: 0.6924 - accuracy: 0.5243 - val_loss: 0.6945 - val_accuracy: 0.4867
Epoch 3/30
……
Epoch 30/30
22/22 [==============================] - 0s 19ms/step - loss: 0.6670 - accuracy: 0.6000 - val_loss: 0.7166 - val_accuracy: 0.4467
5/5 [==============================] - 0s 13ms/step - loss: 0.7166 - accuracy: 0.4467
Validation Loss: 0.7166, Validation Accuracy: 0.4467
5/5 [==============================] - 0s 5ms/step - loss: 0.7203 - accuracy: 0.4867
Test Loss: 0.7203, Test Accuracy: 0.4867
请看下面的例子,演示了在PyTorch中划分数据集并进行模型训练、验证和测试的过程。
实例8-2:PyTorch划分数据集并进行模型训练、验证和测试(源码路径:daima/8/pyji.py)
实例文件pyji.py的主要实现代码如下所示。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import transforms, datasets
from torch.utils.data import DataLoader, random_split
# 数据预处理
transform = transforms.Compose([
transforms.Resize((32, 32)),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 图像归一化
])
# 加载CIFAR-10数据集
dataset = datasets.CIFAR10(root='./data', train=True, transform=transform, download=True)
train_size = int(0.8 * len(dataset))
val_size = len(dataset) - train_size
train_dataset, val_dataset = random_split(dataset, [train_size, val_size])
test_dataset = datasets.CIFAR10(root='./data', train=False, transform=transform, download=True)
# 定义数据加载器
batch_size = 32
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
# 定义模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
self.fc1 = nn.Linear(64 * 16 * 16, 256)
self.fc2 = nn.Linear(256, 10)
def forward(self, x):
x = self.pool(nn.functional.relu(self.conv1(x)))
x = x.view(x.size(0), -1)
x = nn.functional.relu(self.fc1(x))
x = self.fc2(x)
return x
model = Net()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam优化算法
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
model.train() # 设置为训练模式
for inputs, labels in train_loader:
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 在验证集上评估模型
model.eval() # 设置为评估模式
val_loss = 0.0
correct = 0
total = 0
with torch.no_grad():
for inputs, labels in val_loader:
outputs = model(inputs)
val_loss += criterion(outputs, labels).item()
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f"Epoch [{epoch+1}/{num_epochs}] - Validation Loss: {val_loss/len(val_loader):.4f} - Validation Accuracy: {100*correct/total:.2f}%")
print("Training complete!")
# 在测试集上评估模型
model.eval()
test_loss = 0.0
correct = 0
total = 0
with torch.no_grad():
for inputs, labels in test_loader:
outputs = model(inputs)
test_loss += criterion(outputs, labels).item()
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f"Test Loss: {test_loss/len(test_loader):.4f} - Test Accuracy: {100*correct/total:.2f}%")
在这个例子中使用了CIFAR-10数据集,并将其划分为训练集、验证集和测试集。我们定义了一个卷积神经网络模型,并使用训练集进行模型训练。在每个训练迭代后,我们在验证集上评估模型性能,以便在训练过程中进行监控和调优。最后,我们在测试集上对训练好的模型进行性能评估。