7. 开发/测试集应该多大（machine learning yearning）

Posted 2023-05-10

参考技术A 开发集应该足够大，以至于可以检测你尝试的不同算法的差异。比如，如果分类器A的准确率为90%，分类器B的准确率为90.1%，则100个样本大小的开发集不能检测出这0.1%的差异。与我见过的其它机器学习问题相比较，包含100个样本的开发集很小。常见的是包含1000到10000个样本的开发集。在10000个样本上，你有更大的可能性检测到0.1%的提升。[1]

对于成熟和重要的应用——比如广告、web搜索和产品推荐——我见到有团队甚至为0.01%的提升努力，因为这对公司的利润有直接影响。在这种情况下，开发集应该要比10000大，从而检测更小的提升。

测试集的大小又该如何？它应该足够大，大到可以给你的系统的整体性能提供高可信度。一个流行的启发式方法（heuristic）是使用你的数据30%作为测试集。这个方法在不太大规模的样本上——100到10000个样本表现很好。但是在大数据时代，我们有时候面临超过10亿样本的机器学习问题，分配给开发/测试集的比例在降低，而开发/测试集的绝对数字在增长。没有必要获取超出评估你的算法性能的非常大的开发/测试集。

[1]理论上，应该在开发集上测试算法的变化是否带来统计学上显著得变化。实际中，大部分团队不会这样做（除非他们准备发表学术论文），我从来没有发现统计学上的测试对于测量临时进展（interim progress）有用。

CountVectorizer 是不是应该同时适用于训练集和测试集？

【中文标题】CountVectorizer 是不是应该同时适用于训练集和测试集？

【英文标题】：Should CountVectorizer be fit on both the train and test sets?CountVectorizer 是否应该同时适用于训练集和测试集？

【发布时间】：2019-12-09 21:40:55

【问题描述】：

我在网上看到了各种文章，其中一些建议 CountVectorizer 应该适合训练集和测试集，还有一些建议它应该只适合训练集。 哪种方法通常更适合文本分类？

【参考方案1】：

通常test_set 应保持不可见，因此CountVectorizer 应仅安装在train_set 上