训练集、验证集和测试集的概念及划分原则
深度学习中,常将可得的数据集划分为训练集(training set),验证集(development set/validation set)和测试集(test set).下文主要回答以下几个问题:一是为什么要将数据集划分为如上三个集合,三个集合之间有什么区别;二是我们划分的原则是什么.
1. 训练集、验证集和测试集的概念
训练集:顾名思义指的是用于训练的样本集合,主要用来训练神经网络中的参数.
验证集:从字面意思理解即为用于验证模型性能的样本集合.不同神经网络在训练集上训练结束后,通过验证集来比较判断各个模型的性能.这里的不同模型主要是指对应不同超参数的神经网络,也可以指完全不同结构的神经网络.
测试集:对于训练完成的神经网络,测试集用于客观的评价神经网络的性能.
那么,训练集、验证集和测试集之间又有什么区别呢?一般而言,训练集与后两者之间较易分辨,验证集和测试集之间的概念较易混淆.个人是从下面的角度来理解的:
神经网络在网络结构确定的情况下,有两部分影响模型最终的性能,一是普通参数(比如权重w和偏置b),另一个是超参数(例如学习率,网络层数).普通参数我们在训练集上进行训练,超参数我们一般人工指定(比较不同超参数的模型在验证集上的性能).那为什么我们不像普通参数一样在训练集上训练超参数呢?(花书给出了解答)一是超参数一般难以优化(无法像普通参数一样通过梯度下降的方式进行优化).二是超参数很多时候不适合在训练集上进行训练,例如,如果在训练集上训练能控制模型容量的超参数,这些超参数总会被训练成使得模型容量最大的参数(因为模型容量越大,训练误差越小),所以训练集上训练超参数的结果就是模型绝对过拟合.
正因为超参数无法在训练集上进行训练,因此我们单独设立了一个验证集,用于选择(人工训练)最优的超参数.因为验证集是用于选择超参数的,因此验证集和训练集是独立不重叠的.
测试集是用于在完成神经网络训练过程后,为了客观评价模型在其未见过(未曾影响普通参数和超参数选择)的数据上的性能,因此测试与验证集和训练集之间也是独立不重叠的,而且测试集不能提出对参数或者超参数的修改意见,只能作为评价网络性能的一个指标.
至此,我们可以将神经网络完整的训练过程归结为一下两个步骤:
训练普通参数.在训练集(给定超参数)上利用学习算法,训练普通参数,使得模型在训练集上的误差降低到可接受的程度(一般接近人类的水平).
'训练'超参数.在验证集上验证网络的generalization error(泛化能力),并根据模型性能对超参数进行调整.
重复1和2两个步骤,直至网络在验证集上取得较低的generalization error.此时完整的训练过程结束.在完成参数和超参数的训练后,在测试集上测试网络的性能.
2. 训练集、验证集和测试集的划分原则
本部分内容主要总结自Andrew Ng课程,课程中给出的原则是:
对于小规模样本集,常用的非配比例是trianing set/dev set/test set 6:2:2.例如共有10000个样本,则训练集分为6000个样本,验证集为2000样本,测试集为2000样本.
对于大规模样本集,则dev/test set的比例会减小很多,因为验证(比较)模型性能和测试模型性能一定的样本规模就足够了.例如共有1000000个样本,则训练集分为9980000个样本,验证集分为10000个样本,测试集分为10000个样本.
当我们不能获得足够的感兴趣的训练样本时,利用其他一些类似数据来训练网络时,该如何划分training, dev and test set?
例如我们在做一个识别猫的程序,我们的目标是识别用户拍照上传的猫的图片,但是我们能获得的APP上传的数据十分有限(例如10000张),所以准备通过利用网络爬虫下载的猫的图片(200000张)来协助训练网络.而因为网络爬取的图片与用户上传的图片有较大区别,这时候应该如何划分training/dev/test set?
- 一种方案是将app与web图片进行混合,然后按照大数据划分原则进行划分,即205000张training set,2500张dev set,2500张测试集.
- 另一种方案是,将app图片中2500张分给dyev set,2500张分给test set,5000张app图片和200000张web图片混合作为训练集.
Andrew Ng指出第二种方案更好,因为第二种方案dev set的数据全部来自app,与我们真正关心的数据具有相同的分布.而第一种方案,dev set中大概只有120张图片来自app,而剩下的大部分来自web,必然导致模型的评价准则偏移靶心.
当然,第二种方案会导致dev/test set与training set不同分布的问题,这会给误差分析带来麻烦.Andrew Ng给出的解决方案是在training set中划分出一部分作为train-dev set,该部分不用于训练,作为评价模型generalization error,而train-dev set与dev set之间的误差作为data mismatch error,表示数据分布不同引起的误差.
转载于:https://www.cnblogs.com/hello-ai/p/11099824.html
训练集、验证集和测试集的概念及划分原则相关推荐
- 【小白学PyTorch】 2.浅谈训练集验证集和测试集
文章目录: 经验误差与过拟合 评估方法 经验误差与过拟合 关键词:错误率(error rate),精度(accuracy). 错误率好理解,就是m个样本中,a个样本分类错误,则错误率E = a/m . ...
- 机器学习典型步骤以及训练集、验证集和测试集概念
1. 机器学习典型步骤 数据采集和标记 数据清洗 特征选择 如房子的面积.地理位置.朝向.价格等. 模型选择 有监督还是无监督,问题领域.数据量大小.训练时长.模型准确度等多方面有关. 模型训练和测试 ...
- 【入门篇】如何正确使用机器学习中的训练集、验证集和测试集?
[注] ·本文为转载文章,原文作者是王树义老师,原文链接为 https://zhuanlan.zhihu.com/p/71961236 训练集.验证集和测试集,林林总总的数据集合类型,到底该怎么选.怎 ...
- 训练集、验证集和测试集的意义
原文 在有监督的机器学习中,经常会说到训练集(train).验证集(validation)和测试集(test),这三个集合的区分可能会让人糊涂,特别是,有些读者搞不清楚验证集和测试集有什么区别. I. ...
- 如何正确使用机器学习中的训练集、验证集和测试集?
王树义 读完需要 19 分钟 速读仅需7分钟 训练集.验证集和测试集,林林总总的数据集合类型,到底该怎么选.怎么用?看过这篇教程后,你就能游刃有余地处理它们了. 1 问题 审稿的时候,不止一次,我遇到 ...
- Recbole自定义训练集、验证集和测试集推荐
文章目录 Recbole简介 Recbole使用 自定义训练集.验证集和测试集 Recbole简介 Recbole(中文名称:伯乐)是一款使用Python开发的开源推荐框架,里面集成了大量的推荐模型, ...
- 训练集、验证集和测试集这三个名词的区别
训练集.验证集和测试集这三个名词在机器学习领域极其常见,但很多人并不是特别清楚,尤其是后两个经常被人混用. 在有监督(supervise)的机器学习中,数据集常被分成2~3个,即:训练集(train ...
- YOLOv5将自己数据集划分为训练集、验证集和测试集
在用自己数据集跑YOLOv5代码时候,需要将自己的VOC标签格式数据集转为yolo格式. 首先是要获取自己的数据集,然后再对数据集进行标注,保存为VOC(xml格式).然后再把标注完的数据集划分为训练 ...
- 什么是训练集、验证集和测试集?
在机器学习中,训练集.验证集和测试集是数据集的三个重要部分,用于训练.评估和测试机器学习模型的性能.它们的定义和作用如下: 什么是训练集.验证集和测试集? 训练集:训练集是机器学习模型用于训练和学习的 ...
最新文章
- 用Leangoo项目管理软件做技术支持
- Memcached 缓存基础知识点1并64位系统 1.4.4版本安装
- Play framework简介
- SSM框架之MyBatis3专题5:MyBatis注解式开发
- 生活随笔:态度需要端正
- opengl坐标转换
- java龟兔赛跑设计思路_JAVA程序设计(09)-----面对对象设计初级应用 龟兔赛跑
- iframe去掉滚动条
- Linux SO_KEEPALIVE属性,心跳
- android 代码中使用dp,简单谈谈Android中SP与DP的区别
- 关于web.xml中不能识别taglib的问题
- UVA11526 H(n)【数学】
- Servlet(二)GenericServlet
- 前端开发写代码哪个软件更好用?
- 加密与启示录:Crypto是流着奶与蜜的“应许之地”
- 数据管理DMS移动版之2018新年巨献
- 成熙英语——我的选择
- truetype字体怎么转换成普通字体_【转】TrueType(二)字体格式解析
- Fightting for your youth
- 基于android的pc系统,Phoneix OS 系统一款基于安卓打造的个人电脑系统
热门文章
- 你三十岁有什么巨大变化吗?
- 买的首套房开发商指定的银行是5.88的利率,朋友都说利率有点高,怎样才能省点钱呢?
- 家里的存款以每个月六千元人民币的速度增长,这能达到什么生活水平?
- 很多人认为自己赚不到钱是因为没钱,真的是这样吗?
- 如何在变化的时代中,抓住新时代的红利让自己跟着趋势赚钱
- 如何让你的员工有闭环思维?
- Java-泛型T T与T的用法
- java中怎么声明常量_如何在Java中声明一个常量
- sql服务器内存不足_SQL Server内存性能指标–第2部分–可用字节,总服务器和目标服务器内存
- sql crud_使用适用于SQL Server的Python SQL库执行CRUD操作