【机器学习】划分训练集和测试集的方法
在机器学习中，我们的模型建立完成后，通常要根据评估指标来对模型进行评估，以此来判断模型的可用性。而评估指标主要的目的是让模型在未知数据上的预测能力最好。因此，我们在模型训练之前，要对训练集和测试集进行划分。一般数据集划分的方法有四种：留出法、交叉验证法、留一法、自助法。
注：数据集D划分为两个互斥的的集合，其中一个集合作为训练集S，另一个作为测试集T。
数据集的具体划分方法
1.留出法 留出法直接将数据集D划分为两个互斥的部分，其中一部分作为训练集S ，另一部分用作测试集T。用训练集T进行模型训练，测试集S来评估误差。
在此划分数据集上，训练/测试集的划分要尽可能保持数据分布的一致性，避免因为数据的分布差距较大对模型的训练结果产生影响。例如在二分类问题上，要保证数据样本的类别分布均匀，则我们通常采用分层采样对数据进行划分比如，现在有1000个数据样本，其中500个正例，500个反例，如果训练集：测试集为7：3，则我们采用分层采样随机取70%的训练集和30%的测试集。划分结果中训练集中包含350个正例和350个反例；测试集中包含150个正例和150个反例。 留出法在选择划分比例时，常常会出现很多问题，如果训练集的比例较大，可能会导致训练出的模型更接近于用D训练出的模型，同时测试集较小，会使评估结果不准确，模型的方差较大；若测试集的比例较大，则有可能导致训练的模型偏差较大，从而降低了评估的保真性。因此，常见的做法是将大约2/3~4/5的样本用于训练，比例划分两类训练集:测试集可以是6:4、7:3或8:2。 如果是三类训练集:验证集:测试集可以是6.2.2，验证集是可选值，但项目越庞大越需要验证集。
2.交叉验证法 （1）首先将数据集D划分为k个大小相似的互斥子集， 每个子集
交叉验证法评估结果的稳定性和保真性在很大程度上取决于k的取值，因此，交叉验证法称为”k折交叉验证”（k-fold cross validation），k通常取10，称10折交叉验证。
与留出法类似，k折交叉验证通常要随机使用不同的划分重复p次，最终的评估结果是这p次k折交叉验证结果的均值，例如常见的10次10折交叉验证。
3.留一法 留一法作为交叉验证法的一种特殊情况，具体方法就是使k等于数据集中数据的个数，每次只使用一个作为测试集，剩余的全部作为训练集，重复采样取平均值。这种方法得出的结果与训练整个测试集的期望值最为接近，具有确定性。但是成本要求较高，没有采用分层采样，存在偏差。
4.自助法 自助法是一种从给定训练集中有放回的均匀抽样，每当选中一个样本，它等可能地被再次选中并被再次添加到训练集中。
自助法以自助采样法为基础，给定包含 m 个样本的数据集 D，每次随机从 D 中挑选一个样本，放入
自助法中样本在m 次采样中始终不被采到的概率是
自助法在数据集较小、难以有效划分训练/测试集时很有用；然而，自助法产生的数据集改变了初始数据集的分布，这会引入估计偏差。