正如你所说，没有非黑即白的答案。我通常不会将数据分成两部分，而是使用 k-fold 交叉验证等方法。

在 k 折交叉验证中，您将数据随机划分为 k 个部分，并将您的模型拟合到 k-1 个部分上，并测试左侧部分的错误。您重复该过程 k 次，使每个零件一个接一个地不适合。您可以将每次 k 次迭代的平均误差作为模型误差的指示。如果您想比较不同模型的预测能力，这非常有效。

k-fold 交叉验证的一种极端形式是广义交叉验证，您只需留下一个数据点进行测试，并将模型拟合到所有剩余点。然后重复这个过程 n 次，一个一个地去掉每个数据点。我通常更喜欢 k 折交叉验证而不是广义交叉验证......只是个人选择

这实际上取决于您拥有的数据量、方法的具体成本以及您希望结果的准确程度。

一些例子：

如果您的数据很少，您可能希望使用交叉验证（k-fold、leave-one-out 等）。无论如何，您的模型可能不会占用太多资源来训练和测试。这是充分利用数据的好方法

你有很多数据：你可能想要一个相当大的测试集，确保一些奇怪的样本不太可能给你的结果带来很大的差异。您应该获取多少数据？这完全取决于您的数据和模型。例如，在语音识别中，如果你需要太多的数据（比如 3000 个句子），你的实验需要几天时间，因为 7-10 的实时因子很常见。如果您选择的太少，则太依赖于您选择的扬声器（训练集中不允许使用这些扬声器）。

还要记住，在很多情况下，拥有一个验证/开发集也很好！

1:10 test:train ratio很受欢迎，因为它看起来很圆，1:9很受欢迎，因为10倍CV，1:2很受欢迎，因为它也是圆的并且重新组装了bootstrap。有时，人们会根据某些特定数据的标准进行测试，例如去年进行测试，几年前进行培训。

一般规则是这样的：火车必须足够大，这样准确度才不会显着下降，并且测试必须足够大，以消除随机波动。

我仍然更喜欢 CV，因为它还为您提供了错误分布。

作为 k 折答案的扩展，k 的“通常”选择是 5 或 10。留一法倾向于产生过于保守的模型。仅供参考，这是关于该事实的参考：

Shao, J. (1993)，通过交叉验证选择线性模型，美国统计协会杂志，卷。88，第 422 号，第 486-494 页