一、模型评估（Model Evaluation）
在训练神经网络或机器学习模型时，我们的目标不仅是让模型在训练数据上表现好，更重要的是在未见过的数据上也有良好的表现。这就涉及到模型的评估与验证。
1. 训练集与测试集的划分
通常，我们会将全部数据集划分为两部分：
| 数据集类型 | 用途 |
|---|---|
| 训练集（Training Set） | 用于模型学习参数（如权重、偏置） |
| 测试集（Test Set） | 用于检验模型在新数据上的表现 |
划分比例常见为：
-
80% 训练集 + 20% 测试集
-
70% 训练集 + 30% 测试集
目的：通过将数据分开，可以有效检测模型是否过拟合（Overfitting）或 欠拟合（Underfitting）。
2. 分类问题的训练与测试流程
以二分类问题（Binary Classification）为例，整体流程如下：
（1）准备数据集
将数据随机划分为训练集与测试集。
（2）训练模型
在训练集上进行学习，最小化损失函数（例如交叉熵损失 Cross Entropy Loss）。
（3）评估模型
在测试集上计算准确率（Accuracy）、精确率（Precision）、召回率（Recall）或 F1-score。
（4）分析表现
-
如果训练集准确率高、测试集准确率低 → 过拟合
-
如果两者都低 → 欠拟合
（5）图示理解：
数据集 → 划分 → [训练集] + [测试集]
↓
模型训练
↓
测试集评估性能
二、模型选择与训练（Model Selection & Training）
1. 模型的选择
在机器学习或深度学习中，我们常会有多种模型可供选择，例如：
-
逻辑回归（Logistic Regression）
-
支持向量机（SVM）
-
神经网络（Neural Network）
-
决策树、随机森林（Decision Tree / Random Forest）
每种模型的表现取决于任务类型、数据规模与特征复杂度。因此我们需要一个系统的方法来选择最优模型。
2. 三种常见数据集划分方式
在真实训练流程中，我们一般将数据分为三部分：
| 数据集 | 作用 |
|---|---|
| 训练集（Training Set） | 用于拟合模型参数 |
| 验证集（Validation Set） | 用于调整模型结构或超参数（Hyperparameters） |
| 测试集（Test Set） | 用于最终模型性能评估 |
举例：模型选择的完整流程
假设我们在调节神经网络的结构（隐藏层数量、学习率等）：
- 用训练集训练多个不同结构的模型；
- 在验证集上评估每个模型的性能；
- 选择在验证集上表现最好的模型；
- 用训练集 + 验证集重新训练该模型；
- 最后在测试集上评估其最终性能。
3. 为什么使用验证集而不是测试集来调参？
不应该使用测试集来选择模型。测试集只能在"模型定型后"用于最终评估。
原因：
如果我们在模型选择阶段多次查看测试集性能，就相当于"间接让模型学习了测试集的特征"，会导致信息泄漏（Data Leakage），使得测试结果不再客观反映泛化能力。
4. 交叉验证（Cross Validation）
当数据量较小时，可以使用 K 折交叉验证（K-Fold Cross Validation） 进行更稳定的评估。
原理：
- 将数据集分成 K 份；
- 每次取其中 1 份做验证集，剩下 K-1 份做训练集；
- 轮流进行 K 次训练与评估，最后取平均性能。
优点：
-
最大化利用数据；
-
减少由于随机划分带来的偏差；
-
评估更稳定可靠。
常用的 K 值：K = 5 或 10。
5. 最终模型由哪个集合确定？
最终模型应基于"验证集"选择，在"训练集 + 验证集"上重新训练后，用"测试集"评估。
| 集合 | 用于 |
|---|---|
| 训练集 | 拟合参数 |
| 验证集 | 选择最优模型 |
| 测试集 | 最终性能评估 |
总结
| 概念 | 作用 |
|---|---|
| 训练集 (Training Set) | 用于学习模型参数 |
| 验证集 (Validation Set) | 用于调节模型结构或超参数 |
| 测试集 (Test Set) | 用于最终评估模型性能 |
| 交叉验证 (Cross Validation) | 提高小样本评估稳定性 |
| 避免过拟合 | 不在测试集上反复调参 |