如果果用模型已经见过的数据，例如部分训练集数据进行测试，又有什么坏处？

将数据集按一定比例分为训练集和测试集有以下好处：

评估模型的性能：通过将数据划分为训练集和测试集，我们可以使用训练集来训练模型，并使用测试集来评估模型的性能。测试集包含了模型之前未见过的数据，可以用来模拟模型在实际应用中的表现。这样可以更客观地评估模型在新数据上的预测能力。

验证模型的泛化能力：将数据集划分为训练集和测试集可以帮助我们评估模型的泛化能力。模型在训练集上表现良好并不意味着它在未见过的测试集上也能表现良好。通过测试集的评估，我们可以更好地了解模型的泛化能力，即模型对未知数据的适应能力。

避免过拟合：将数据划分为训练集和测试集有助于检测和避免过拟合问题。过拟合是指模型在训练集上表现很好，但在未见过的数据上表现不佳的情况。通过使用测试集来评估模型，我们可以及时发现并解决过拟合问题，例如调整模型复杂度或采用正则化等方法。

如果只使用模型已经见过的部分训练集数据进行测试，会带来以下坏处：

无法准确评估模型的性能：如果只使用训练集的一部分数据进行测试，那么模型在这部分数据上的表现并不能代表模型在整个测试集上的表现。这样评估出的性能指标可能会高估模型的能力，导致对模型性能的错误判断。

无法发现模型的泛化问题：如果模型只被测试在已经见过的部分训练集数据上，那么无法评估模型在未见过的数据上的泛化能力。模型可能在已知数据上表现良好，但在未知数据上表现糟糕，这种情况无法通过仅使用训练集数据进行测试来发现。

如果没有数据来对模型进行测试，会导致以下问题：

无法评估模型的性能：没有测试集数据意味着我们无法评估模型在真实数据上的表现。我们无法知道模型是否能够准确地预测新的、未知的数据。

无法发现模型的问题和改进空间：缺乏测试集数据会限制我们对模型的改进。没有测试集，我们无法确定模型的弱点、错误或潜在改进的领域。无法进行模型评估和反馈，也无法进行模型优化和调整。

因此，将数据集按一定比例划分为训练集和测试集是一种常用的实践，可以有效评估模型的性能、泛化能力，并提供改进模型的指导。