深度学习中验证集与测试集的区别

验证集 —— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。

测试集 —— 用来评估模最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。

训练集用于模型参数，测试集用于估计模型对样本的泛化误差，验证集用于“训练”模型的超参数。

我们知道一个机器学习模型通常包括两个部分的参数：模型参数和超参数。其中超参数是用于控制模型行为的超参数，这些参数不是通过模型本身学习而来的。例如多项式回归模型里面，多项式的次数，学习速率是超参数。这些超参数不能由模型本身训练得到，是因为模型会倾向把参数训练的过大或者过小，从而极容易导致过拟合。例如多项式回归模型里面。如果让模型本身去训练多项式的次数，那么模型会选择高次多项式，因为这样做误差可以取到特别小，极端情况下，N个点的多项式回归会选择次数N。然而这些超参数，也会有不同的选择，例如学习速率可以选择0.1， 0.01， 1， 10···那么我们怎么知道超参数的某个值比另外一个好呢？一个很自然的想法是我们可以选择不同的超参数值，然后跑在同一个训练集上再看看最后的结果。

参考：
1
2