机器学习训练集/开发集/测试集挑选

在实际应用领域，一般将数据集分成三块，训练集：用来训练算法；开发集：用来进行特征选择或者调参；测试集：用来检测算法的表现，因此测试集应该能够反映和包含现实的真正数据分布，而不是假设分布。

在实际算法迭代过程中，我们最后希望得到的结果是算法在测试集上表现的非常优秀；但是，最近读吴恩达老师的笔记：有时可能我们需要决定投资多少去获取好的开发集和测试集。切记不要假定你的训练集分布和测试集分布必须是一样的。尝试去挑选能反映你最终想要表现很好的数据作为测试样本，而不是你遇到的任何数据。

是的！我们需要的算法是能够准确预测出我们真正想知道结果我测试样本，而非遇到的任何数据；换个角度思考：通过这样的需求筛选，我们也能够进一步的强调我们的需求，从而更有目的性的去改善算法性能，受益匪浅！共勉！