在训练过程中,我们往往需要将数据集D划分为训练集S和测试集T。在阅读了周志华老师的《机器学习》后,下面将介绍几种常见的做法:
1.留出法
直接将数据集D划分为两个互斥的的集合,其中一个集合作为训练集S,另一个作为测试集T,即D=S∪T, S ∩ T = 空集。
2.交叉验证法
将数据集D划分为k个大小相似的互斥子集,即D=D1∪D2∪…∪Dk,Di ∩ Dj = 空集(i ≠j) 每个子集Di都尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后,每次用k-1个子集的并集作为训练集,余下的那个子集作为测试集;这样就可获得k组训练/测试集,从而可进行k次训练和测试,最终返回的是这k个测试结果的均值。
3.自助法
给定包含m个样本的数据集D,我们对它进行采样产生数据集D':每次从D中挑选一个样本,将其放入D',然后再将该样本放回初始数据集D中;这个过程重复执行m次后,我们就得到了包含m个样本的数据集D'.