样本不均衡问题

今天看到有人分享的一个CV方面的面试问题：从网上爬来的200W图片数据集和公司自己积累的10W图片数据集，怎么分训练集，测试集？

这个问题我之前在deeplearning.ai学习过，还有一点印象，这里引用大树先生的笔记，：

方法一：

将两组数据合并到一起，总共得到210万张图片样本。将这些样本随机分配到训练、开发、测试集中。

• 好处：三个集合中的数据均来自于同一分布；
• 坏处：我们设立开发集的目的是瞄准目标，而现在我们的目标绝大部分是为了去优化网上获取的照片，而不是我们真正的目标。