sk.learn与keras训练集与验证集数据集的划分方法

主要分为三种
(1)手动划分：
Keras允许在训练模型的时候手动指定验证集．
例如，用sklearn库中的train_test_split()函数将数据集进行切分，然后在keras的model.fit()的时候通过validation_data参数指定前面切分出来的验证集
（2）自动划分：
调用model.fit()训练模型时，可通过validation_split参数来指定从数据集中切分出验证集的比例．
（3）k折交叉验证
将数据集分成k份，每一轮用其中(k-1)份做训练而剩余1份做验证，以这种方式执行k轮，得到k个模型．将k次的性能取平均，作为该算法的整体性能．k一般取值为5或者10．

优点：能比较鲁棒性地评估模型在未知数据上的性能．
缺点：计算复杂度较大．因此，在数据集较大，模型复杂度较高，或者计算资源不是很充沛的情况下，可能不适用，尤其是在训练深度学习模型的时候．
sklearn.model_selection提供了KFold以及RepeatedKFold, LeaveOneOut, LeavePOut, ShuffleSplit, StratifiedKFold, GroupKFold, TimeSeriesSplit等变体．
具体代码实现见
https://www.cnblogs.com/bymo/p/9026198.html