训练、验证和测试集的最佳分割

Posted 2023-03-12

【中文标题】训练、验证和测试集的最佳分割

【英文标题】：Optimal split for training, validation and testing sets

【发布时间】：2021-09-07 07:25:10

【问题描述】：

我最初认为分割训练、验证和测试数据的一个好的经验法则是 60-20-20。但是，最佳答案here 似乎建议使用 80:20 进行训练和测试，然后将 80% 中的 20% 用于验证数据（这相当于使用 Keras 的 model.fit 进行 0.2 的验证拆分())。但是，在这种情况下，这不是 60-20-20 —— 这里测试数据的大小明显大于验证数据的大小。

例如，如果总共有 100 个样本，其中 80% 用于训练，则剩下 80 个样本用于训练，另外 20% 用于测试，使用 20 个样本。

如果您取 80% 中的 20%，则改为取 80 中的 20%，即 16。这总体上意味着训练、验证和测试分别占 64%-16%-20%。

这仍然是正确/好的/一个好的经验法则吗？或者我应该从 80% 中取出总数的 20% 进行测试——这样在这种情况下，我将取出 25% 的训练数据，以便将 20 个样本分配给验证集，我现在有 60 个-20-20 分裂？

对于更合适/标准的做法，为什么会这样？是否有一个标准的、传统的选择？

【参考方案1】：

一切的最终目标是提高模型准确性...拆分取决于您拥有多少实例...如果您能够通过拆分方式获得更好的准确性，那么你可以使用它，但它不会带来剧烈的变化...！ 主要一切都取决于您正在处理的数据类型、它有多大或有多少实例。

【讨论】：

所以分割并不重要，只要它产生良好的模型精度？

只需使用标准拆分就可以了......更多地关注 EDA 和特征工程。