分层训练/验证/测试拆分，不使用scikit-learn

分层训练/验证/测试拆分是一种常用的数据集划分方法，用于机器学习模型的开发和评估。它将数据集划分为训练集、验证集和测试集三个部分，以便进行模型训练、参数调优和性能评估。

1. 训练集（Training Set）：用于模型的训练和参数调优。通常占据整个数据集的大部分比例，可以使模型充分学习数据的特征和规律。
2. 验证集（Validation Set）：用于模型的选择和调优。在训练过程中，通过在验证集上评估模型的性能，可以选择最佳的模型参数、模型结构或模型类型。
3. 测试集（Test Set）：用于最终评估模型的性能。在模型训练和调优完成后，使用测试集来评估模型的泛化能力和预测性能。测试集应该是与训练集和验证集相互独立的数据，以保证评估结果的客观性。

分层训练/验证/测试拆分的优势在于能够更好地评估模型的性能和泛化能力，避免模型在训练集上过拟合或在验证集上过度调优。同时，通过使用独立的测试集，可以更客观地评估模型在实际应用中的表现。

应用场景：

• 机器学习模型开发和评估
• 模型参数调优和选择
• 模型性能评估和比较

腾讯云相关产品和产品介绍链接地址：

• 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
• 腾讯云数据集成服务（https://cloud.tencent.com/product/dts）
• 腾讯云数据仓库（https://cloud.tencent.com/product/dws）
• 腾讯云人工智能开发平台（https://cloud.tencent.com/product/tcaplusdb）

请注意，以上链接仅供参考，具体产品选择应根据实际需求和情况进行评估。