5. 开发集和测试集

让我们回到之前关于猫咪图片的例子： 你开发了一个移动APP， 用户可以上传许多不同的图片到你的APP上，你想识别出用户上传的图片中所有包含猫咪的图片。 你的团队下载了很多图片数据集，包含猫咪图片（正样本，positive example）和非猫咪图片（负样本， negative example）。他们将这些数据划分为70%的训练集，30%的测试集。当使用这些进行算法训练时，效果非常不错。 但是将算法（分类器）部署到APP的时候，发现效果却非常的糟糕！

《5. 开发集和测试集》

发生了什么？

你发现用户上传的图片和你团队下载作为训练集的图片不同。用户使用收集拍摄的图片分辨率更低，模糊，而且照明效果较差。由于你的训练/测试集来源于网站上的图片，你的算法没有很好的把智能手机图片一般化。 大数据时代之前，在机器学习中人们对数据集的一个常见划分规则为：将数据集划分为70%/30%的训练集和测试集。但是在越来越多的应用（比如上面的例子）中，收集的数据与训练数据不同，这个时候该规则就不适用了。

我们通常定义：

• 训练集(Training set) — 运行在算法上的数据集. • 开发集(Dev/development set) — 这部分数据通常用来调参，选择特征，以及对学习算法进行改进。有时也被用于交叉验证。 • 测试集(Test set) — 这部分数据通常用于评估算法的性能，但不要依靠这个数据对你的算法进行调参和修改。 一旦你定义了一个开发集和测试集，你的团队就可以进行模型的建立，通过调整参数，特征选择等。从而制定最有效的机器学习算法。开发集和测试集可以很快的告诉你算法的运行情况。

换句话说，开发集和测试集的目的是为了让你对算法进行改进，使算法效果变得更好

所以你应该：

• 选择开发集和测试集时，主要选择可以反映未来需要获取的数据

换句话说，你的测试集不应该只是可用数据的30%这么简单，尤其是你得到的数据（移动app的图像）和你训练数据（网站图像）不一样的时候。 如果你还没有运行你的移动应用，也就意味着还没有用户，可能你就无法获取到一些比较好的数据，但是你可以尝试去获取这些数据。比如：让你的朋友拍一些手机照片发给你，一旦你的应用启动后，你可以使用实际的数据来更新你的开发/测试集。 如果你实在没有办法获取到你期望的数据，那么你可以从网站图片开始，不过这种做法可能会导致你的系统不能一般化(generalize)的很好。 有时，可能需要花费一些资金去获取比较好的数据集。切记不要认为你的训练集和测试集分布必须是一样的。尽量去选择那些可以反映真实情况的数据作为测试样本。