cnn 验证集 参与训练吗_「机器学习速成」为什么要拆分为三个集：训练集、验证集、测试集...

大家好，今天我们学习【机器学习速成】之 为什么要拆分为三个子集：训练集、验证集、测试集

我们 马上学三点 ，

1. 只划分训练集和测试集的不足
2. 验证集在划分方案中的重要性
3. 训练集、测试集、验证集三者区别

大家可以点击下面的“ 了解更多 ”，或搜索“ 马上学123 ”，在线观看PPT讲义

训练集和测试集工作流程

训练集和测试集工作流程

上一个课程 我们介绍了如何将数据集划分为训练集和测试集。 借助这种划分， 您可以对一个样本集进行训练， 然后使用不同的样本集测试模型。

我们来想象下运用该方法的实际情况， 我们有了测试集和训练集， 并按照上一节课程的要求对它们进行了妥善区分。 现在我们要进行一些迭代。 我将用训练数据训练一种模型， 然后使用测试集对模型进行测试 并观察其指标， 根据在测试集上获得的效果调整模型。

“ 调整模型 ”指的是 调整您可以想到的关于模型的任何方面， 从更改学习速率、添加或移除特征， 到从头开始设计全新模型。

我将调整一些设置， 比如调整学习速率或类似设置。 然后重新尝试前面的操作， 看看能否提高测试集准确率。 我可能会添加一些特征，也可能会去除一些特征， 并继续迭代， 直到根据测试集指标找出最佳模型为止。

这样有问题吗？ 我能想到的一点是： 我可能 针对测试集的特性进行了过拟合 。 这样就太糟糕了…

划分为三个子集

划分为三个子集

我们可以使用另一种方法来解决这个问题， 我可以在分组数据之外创建第三个数据集， 并将该数据集称为“ 验证集 ”， 这可以大幅降低过拟合的发生几率。

验证集和测试集应该来源于同一分布，且与真实需求一致。

更好的工作流程

我会使用一种新迭代方法， 对训练数据进行迭代训练， 然后仅基于验证集进行评估。

将测试集搁置一旁，完全不使用这些数据。 我将不断迭代、调整各种参数或对模型进行任何更改， 直到根据验证集得出比较理想的结果后。 再使用测试集再次检查该模型。

更好的工作流程

我要确保根据测试集得出的结果 基本上符合根据验证集得出的结果。 如果不符合，则充分说明我可能对验证集进行了过拟合。

不断使用测试集和验证集会使其逐渐失去效果。 也就是说，您使用相同数据来决定超参数设置 或其他模型改进的次数越多， 您对于这些结果能够真正泛化到未见过的新数据的信心就越低。

该工作流程之所以更好， 原因在于它暴露给测试集的信息更少。

如果可能的话，建议您收集更多数据来“刷新”测试集和验证集。 重新开始也是一种很好的重置方式。

训练集、测试集、验证集三者区别

训练集、测试集、验证集三者区别

训练集是用来训练模型内参数的数据集；

验证集用于调整超参数， 根据几组模型验证集上的表现 决定哪组超参数拥有最好的性能， 同时用来监控模型是否发生过拟合。

测试集用来评价模型泛化能力， 即之前模型使用验证集确定了超参数， 最后使用一个从没有见过的新数据集来判断这个模型是否工作。

三者区别举例： 我们把学生能力类比模型能力 训练集就像是学生的课本，学生根据课本里的内容来掌握知识， 验证集就像是练习作业， 通过作业可以知道不同学生学习情况、进步的速度快慢， 而最终的测试集就像是考试， 考的题是平常都没有见过，考察学生举一反三的能力。

为什么需要测试集？

训练集、测试集、验证集三者区别

训练集直接参与了模型调慘的过程， 显然不能用来反映模型真实的能力， 这样一些对课本死记硬背的学生将会拥有最好的成绩， 这是过拟合，显然不对。

同理，由于验证集参与了人工调参的过程， 也不能用来最终评判一个模型， 就像刷题库的学生也不能算是学习好的学生是吧。 所以要通过最终的考试， 也就是测试集来考察一个学生模型的真正的能力。

对于用于比赛的公开数据集， 验证集会公开标注，测试集不会公开。

千万不要用测试数据来训练模型！ 不然就监守自盗了！

总结：

只划分训练集和测试集， 会出现过拟合该测试集的风险；

样本数据集包括训练集、验证集、测试集， 其中训练集和验证集的作用是对学习模型进行参数择优， 测试集是测试该模型的泛化能力。

---

这里讲了三点，关键词有哪几个？

提问：AI比赛时，我们可以看到测试集吗？

欢迎回复评论