很多機(jī)器學(xué)習(xí)入門者對(duì)測(cè)試集和驗(yàn)證集的概念有所混淆，甚至很多機(jī)器學(xué)習(xí)開發(fā)工程師常常都會(huì)混淆這兩個(gè)概念。因?yàn)楫?dāng)我們采用驗(yàn)證集的時(shí)候，測(cè)試集好像和驗(yàn)證集實(shí)際上并沒有多大區(qū)別，所以本文從學(xué)界定義到實(shí)踐中的具體影響探討驗(yàn)證集和測(cè)試集間的區(qū)別。

[[199187]]

驗(yàn)證數(shù)據(jù)集(validation dataset)是模型訓(xùn)練過程中留出的樣本集，它可以用于調(diào)整模型的超參數(shù)和評(píng)估模型的能力。但測(cè)試數(shù)據(jù)集(test dataset)不同，雖然同是模型訓(xùn)練過程中留出的樣本集，但它是用于評(píng)估最終模型的性能，幫助對(duì)比多個(gè)最終模型并做出選擇。在開發(fā)機(jī)器學(xué)習(xí)系統(tǒng)時(shí)，我們對(duì)驗(yàn)證數(shù)據(jù)集及其與測(cè)試數(shù)據(jù)集的區(qū)別存在諸多混淆。本文將介紹訓(xùn)練數(shù)據(jù)集(train dataset)、測(cè)試數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的確切定義，以及如何在機(jī)器學(xué)習(xí)項(xiàng)目中使用這三種數(shù)據(jù)集。

通過閱讀本文，我們將了解：

• 機(jī)器學(xué)習(xí)領(lǐng)域的專家對(duì)訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集的定義。
• 驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集在實(shí)踐中的區(qū)別。
• 使用哪些過程能充分利用驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集進(jìn)行模型評(píng)估。

專家對(duì)驗(yàn)證數(shù)據(jù)集的定義

本節(jié)，我們將了解部分***教科書和參考文獻(xiàn)如何定義訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集及其區(qū)別。

通常情況下，「驗(yàn)證數(shù)據(jù)集」指模型訓(xùn)練過程中留出的樣本集，可與「測(cè)試數(shù)據(jù)集」這個(gè)術(shù)語(yǔ)互換。在訓(xùn)練數(shù)據(jù)集上對(duì)模型能力進(jìn)行評(píng)估得到的結(jié)果存在偏差。因此，用留出的樣本對(duì)模型能力進(jìn)行評(píng)估得出的結(jié)果偏差更小。我們通常稱之為使用訓(xùn)練集測(cè)試集劃分方法(train-test split approach)進(jìn)行算法評(píng)估。

在 Kuhn 和 Johnson 的著作《應(yīng)用預(yù)測(cè)建模》(Applied Predictive Modeling)一書中，我們可以看到作者認(rèn)為「驗(yàn)證數(shù)據(jù)集」和「測(cè)試數(shù)據(jù)集」這兩個(gè)詞語(yǔ)可以互換。他們?cè)趯?shí)例中明確指出，必須在留出的數(shù)據(jù)集上進(jìn)行最終模型評(píng)估，無論評(píng)估目的是訓(xùn)練模型還是調(diào)整模型參數(shù)。

傳統(tǒng)情況下，對(duì)最終模型進(jìn)行性能評(píng)估的數(shù)據(jù)叫作「測(cè)試集」。Russell 和 Norvig 在 AI 教科書《人工智能：一種現(xiàn)代方法》中再次強(qiáng)調(diào)了保持測(cè)試集完全獨(dú)立的重要性。他們認(rèn)為，以任何形式使用測(cè)試集中的信息都是一種「窺探」(peeking)，因此他們建議封存測(cè)試集，直到模型調(diào)整全部完成再作為***的評(píng)估。

重要的是，Russel 和 Norvig 認(rèn)為用于模型擬合的訓(xùn)練數(shù)據(jù)集可以進(jìn)一步劃分成訓(xùn)練集和驗(yàn)證集。驗(yàn)證集是訓(xùn)練數(shù)據(jù)集的子集，用于對(duì)模型能力進(jìn)行初步評(píng)估。

該領(lǐng)域的其他教科書級(jí)的著作也佐證了此定義。Ripley 的著作《模式識(shí)別與神經(jīng)網(wǎng)絡(luò)》(Pattern Recognition and Neural Networks)中的術(shù)語(yǔ)表就是一個(gè)經(jīng)典實(shí)例。具體來說，訓(xùn)練集、驗(yàn)證集和測(cè)試集的定義如下：

這些是數(shù)據(jù)集推薦的定義和用法。重申 Ripley 的術(shù)語(yǔ)定義之后，讓我們來繼續(xù)討論「測(cè)試集」和「驗(yàn)證集」在機(jī)器學(xué)習(xí)建模過程中的常見混淆。

訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的定義

為了強(qiáng)調(diào)上文中專家的研究結(jié)果，本節(jié)為這三個(gè)術(shù)語(yǔ)提供明確的定義。

• 訓(xùn)練數(shù)據(jù)集：用于模型擬合的數(shù)據(jù)樣本。
• 驗(yàn)證數(shù)據(jù)集：用于調(diào)整模型的超參數(shù)，為擬合后的模型提供無偏評(píng)估。如果模型配置中已包括在驗(yàn)證集上的調(diào)整，則該評(píng)估偏差會(huì)更大。
• 測(cè)試數(shù)據(jù)集：為擬合后的最終模型提供無偏評(píng)估。

我們可以通過下列偽代碼具體來看它們的定義：

# split data 
data = ... 
train, validation, test = split(data) 
# tune model hyperparameters 
parameters = ... 
for params in parameters: 
 model = fit(train) 
 skill = evaluate(model, validation) 
# evaluate final model for comparison with other models 
model = fit(train) 
skill = evaluate(model, test) 

以下是額外需要理解的內(nèi)容：

• 驗(yàn)證數(shù)據(jù)集可能在其他形式的模型預(yù)準(zhǔn)備中發(fā)揮作用，如特征選擇。
• 最終模型可以在訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集上進(jìn)行擬合。

只有驗(yàn)證數(shù)據(jù)集遠(yuǎn)遠(yuǎn)不夠

在未知數(shù)據(jù)上對(duì)模型性能進(jìn)行評(píng)估還有其他方式。一個(gè)常見的實(shí)例是使用 K-折交叉驗(yàn)證(k-fold cross-validation)來調(diào)整模型超參數(shù)，而不是使用單獨(dú)的驗(yàn)證數(shù)據(jù)集。Kuhn 和 Johnson 在「Data Splitting Recommendations」一章中指出使用單獨(dú)的「測(cè)試集」(或驗(yàn)證集)的局限性。

如前所述，k 折交叉驗(yàn)證是一種足以取代單獨(dú)、獨(dú)立測(cè)試集的技術(shù)：

• 測(cè)試集是對(duì)模型的單次評(píng)估，無法完全展現(xiàn)評(píng)估結(jié)果的不確定性。
• 將大的測(cè)試集劃分成測(cè)試集和驗(yàn)證集會(huì)增加模型性能評(píng)估的偏差。
• 分割的測(cè)試集樣本規(guī)模太小。
• 模型可能需要每一個(gè)可能存在的數(shù)據(jù)點(diǎn)來確定模型值。
• 不同測(cè)試集生成的結(jié)果不同，這造成測(cè)試集具備極大的不確定性。
• 重采樣方法可對(duì)模型在未來樣本上的性能進(jìn)行更合理的預(yù)測(cè)。

Max Kuhn 和 Kjell Johnson 等人還推薦了適用于小規(guī)模樣本的 10-折交叉驗(yàn)證，其偏差低、性能評(píng)估變化小;他們還推薦適用于模型性能比較的自助法(bootstrap method)，該方法性能評(píng)估變化小。對(duì)于規(guī)模稍大的樣本集，他們同樣推薦 10-折交叉驗(yàn)證方法。

驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集會(huì)淡化

很可能你再也不會(huì)在應(yīng)用機(jī)器學(xué)習(xí)中看到訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

當(dāng)實(shí)踐者選擇在訓(xùn)練數(shù)據(jù)集中使用 k-折交叉驗(yàn)證方法調(diào)整模型超參數(shù)時(shí)，「驗(yàn)證集」的概念就已經(jīng)淡化了。

我們可以通過以下為代碼具體來看：

# split data 
data = ... 
train, test = split(data) 
# tune model hyperparameters 
parameters = ... 
k = ... 
for params in parameters: 
 skills = list() 
 for i in k: 
 fold_train, fold_val = cv_split(i, k, train) 
 model = fit(fold_train, params) 
 skill_estimate = evaluate(model, fold_val) 
 skills.append(skill_estimate) 
 skill = summarize(skills) 
# evaluate final model for comparison with other models 
model = fit(train) 
skill = evaluate(model, test) 

結(jié)語(yǔ)

在本教程中，你會(huì)了解「驗(yàn)證數(shù)據(jù)集」和「測(cè)試數(shù)據(jù)集」中的很多謬誤，以及在評(píng)估機(jī)器學(xué)習(xí)模型的能力時(shí)如何正確地區(qū)分這些術(shù)語(yǔ)。

具體來說：

• 過去的專家學(xué)者已經(jīng)對(duì)模型評(píng)估中「訓(xùn)練數(shù)據(jù)集」、「驗(yàn)證數(shù)據(jù)集」和「測(cè)試數(shù)據(jù)集」給出了明確定義。
• 「驗(yàn)證數(shù)據(jù)集」主要用于調(diào)整超參數(shù)和數(shù)據(jù)準(zhǔn)備時(shí)對(duì)模型進(jìn)行評(píng)估，而「測(cè)試數(shù)據(jù)集」主要用于對(duì)比多個(gè)最終模型時(shí)的評(píng)估。
• 如果采用 k-折交叉驗(yàn)證等重采樣方法，尤其當(dāng)重采樣方法已經(jīng)被嵌套在模型驗(yàn)證中時(shí)，「驗(yàn)證數(shù)據(jù)集」和「測(cè)試數(shù)據(jù)集」的概念可能會(huì)淡化。

原文：http://machinelearningmastery.com/difference-test-validation-datasets/

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文