验证集有两种用途：

1）知道何时停止训练

一些模型是迭代训练的——比如神经网络。模型迟早会开始过度拟合训练数据。这就是为什么你反复测量模型在验证集上的分数（比如在每个 epoch 之后），一旦验证集上的分数再次开始下降，你就停止训练。

来自关于过度拟合的维基百科：

“训练误差以蓝色显示，验证误差以红色显示，两者都是训练周期数的函数。如果验证误差增加（正斜率）而训练误差稳步减小（负斜率），则可能存在过度拟合的情况发生。最好的预测和拟合模型将是验证误差具有全局最小值的地方。

2) 参数选择

您的模型需要设置一些超参数，例如学习率、要使用的优化器、层/神经元的数量和类型、激活函数，甚至是神经网络与 SVM 等不同的算法……您将不得不摆弄使用这些参数，试图找到最有效的参数。

为此，您使用每组参数训练模型，然后使用验证集评估每个模型。最后，您选择在验证集上产生最佳分数的模型/参数集。

在上述两种情况下，模型可能已经拟合了验证集中的数据，从而导致得分有偏差（有点过于乐观）——这就是为什么在发布得分之前在测试集上评估最终模型的原因。