在几乎每个 ML 模型中，训练测试（或训练测试验证拆分）对于评估模型的性能至关重要。但是，我一直想知道决定特定训练测试拆分的基本原理是什么。我看到有些人喜欢 80-20 分，有些人选择 90-10，但为什么呢？这只是一个偏好问题吗？另外，为什么不是 70-30 或 60-40，最好的决定方法是什么？
如何决定训练测试拆分？
人工智能
机器学习
训练
交叉验证
测试
2021-11-16 06:50:15
1个回答
我不认为选择 80/20 而不是 75/25 或其他有任何理由。但这些是相当小的数据集的数字。如果您的数据集足够大（如数十万个样本），您甚至可以使用 98/1/1% 的训练/验证/测试，正如 Andrew Ng在本视频中所讨论的那样。大数据使神经网络蓬勃发展，充分利用大数据总是一个好主意。
其它你可能感兴趣的问题