机器学习中训练数据集，交叉验证数据集，测试数据集的作用

1. 简介在Andrew Ng的机器学习教程里，会将给定的数据集分为三部分：训练数据集（training set）、交叉验证数据集（cross validation set）、测试数据集（test set）。三者分别占总数据集的60%、20%、20%。那么这些数据集分别是什么作用呢？

吴一奇

18341人浏览 · 2017-04-14 15:27:18

吴一奇 · 2017-04-14 15:27:18 发布

#1. 简介
在Andrew Ng的机器学习教程里，会将给定的数据集分为三部分：训练数据集（training set）、交叉验证数据集（cross validation set）、测试数据集（test set）。三者分别占总数据集的60%、20%、20%。
那么这些数据集分别是什么作用呢？

#2. 三种数据集的作用
假设我们训练一个数据集，有下面10中模型可以选择：
这里写图片描述
（图片来自Coursera Machine Learning Andrew Ng 第6周：Model Selection and Train/Validation/Test Sets）

我们想知道两件事：

1）这10中模型中哪种最好（决定多项式的阶数d）；
2）最好的模型的 $\theta$ 参数是什么。
为此，我们需要，

使用训练数据集分别训练这10个模型；
用训练好的这10个模型，分别处理交叉验证数据集，统计它们的误差，取误差最小的模型为最终模型（这步就叫做Model Selection）。
用测试数据集测试其准确性。

这里有个问题要回答：为什么不直接使用测试数据集（Test Set）来执行上面的第2.步？
答：如果数据集只分成训练数据集（Training Set）和测试数据集（Test Set），且训练数据集用于训练 $\theta$ ，测试数据集用于选择模型，那么就缺少能够“公平”评判最终模型优劣的数据集，因为最终的模型就是根据训练数据集和测试数据集训练得到的，肯定在这两个数据集上表现良好，但不一定在其他数据上也如此。