训练集、验证集、测试集以及交验验证的理解

骑猪看日落 2021-07-26 22:47 709阅读 0赞

在人工智能机器学习中，很容易将“验证集”与“测试集”，“交叉验证”混淆。

# **一、三者的区别** #

*  训练集（train set） —— 用于模型拟合的数据样本。
 *  验证集（development set）—— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。

在神经网络中， 我们用验证数据集去寻找最优的网络深度（number of hidden layers)，或者决定反向传播算法的停止点或者*在神经网络中选择隐藏层神经元的数量；*

在普通的机器学习中常用的交叉验证（Cross Validation) 就是把训练数据集本身再细分成不同的验证数据集去训练模型。

*  测试集 —— 用来评估模最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。

<table> 
 <thead> 
  <tr> 
   <th>类别</th> 
   <th>验证集</th> 
   <th>测试集</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>是否被训练到</td> 
   <td>否</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>作用</td> 
   <td>用于调超参数，监控模型是否发生过拟合（以决定是否停止训练）</td> 
   <td>为了评估最终模型泛化能力</td> 
  </tr> 
  <tr> 
   <td>使用次数</td> 
   <td>多次使用，以不断调参</td> 
   <td>仅仅一次使用</td> 
  </tr> 
  <tr> 
   <td>缺陷</td> 
   <td>模型在一次次重新手动调参并继续训练后所逼近的验证集，可能只代表一部分非训练集，导致最终训练好的模型泛化性能不够</td> 
   <td>测试集为了具有泛化代表性，往往数据量比较大，测试一轮要很久，所以往往只取测试集的其中一小部分作为训练过程中的验证集</td> 
  </tr> 
 </tbody> 
</table>

一个形象的比喻：

**训练集-----------**学生的课本；学生 根据课本里的内容来掌握知识。

**验证集**\------------作业，通过作业可以知道 不同学生学习情况、进步的速度快慢。

**测试集**\-----------考试，考的题是平常都没有见过，考察学生举一反三的能力。

传统上，一般三者切分的比例是：6：2：2，验证集并不是必须的。

## 二、为什么要测试集 ##

a)训练集直接参与了模型调参的过程，显然不能用来反映模型真实的能力（防止课本死记硬背的学生拥有最好的成绩，即**防止过拟合)**。

b)验证集参与了人工调参(超参数)的过程，也不能用来最终评判一个模型（刷题库的学生不能算是学习好的学生）。

c) 所以要通过最终的考试(测试集)来考察一个学(模)生(型)真正的能力**（期末考试）**。

但是仅凭一次考试就对模型的好坏进行评判显然是不合理的，所以接下来就要介绍**交叉验证法**

# **三、交叉验证法（模型选择）** #

**a) 目的**

交叉验证法的作用就是尝试利用不同的训练集/验证集划分来对模型做多组不同的训练/验证，来应对单独测试结果过于片面以及训练数据不足的问题。（就像通过多次考试，才通知哪些学生是比较比较牛B的）

交叉验证的做法就是将数据集粗略地分为比较均等不相交的k份，即

![20191220155724354.png][]

然后取其中的一份进行测试，另外的k-1份进行训练，然后求得error的平均值作为最终的评价，具体算法流程如下：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI1Nzc0NzQ_size_16_color_FFFFFF_t_70]

举个例子：假设建立一个BP神经网络，对于隐含层的节点数目，我们并没有很好的方法去确定。此时，一般将节点数设定为某一具体的值，通过训练集训练出相应的参数后，再由交叉验证集去检测该模型的误差；

然后再改变节点数，重复上述过程，直到交叉验证误差最小。

**b) 交叉验证算法的具体步骤如下**：

1. 随机将训练数据等分成k份，S1, S2, …, Sk。

2. 对于每一个模型Mi，算法执行k次，每次选择一个Sj作为验证集，而其它作为训练集来训练模型Mi，把训练得到的模型在Sj上进行测试，这样一来，每次都会得到一个误差E，最后对k次得到的误差求平均，就可以得到模型Mi的泛化误差。

3. **算法选择具有最小泛化误差的模型作为最终模型，并且在整个训练集上再次训练该模型，从而得到最终的模型。**

K折交叉验证，其主要 的目的是**为了选择不同的模型类型（比如一次线性模型、非线性模型、）**，而**不是为了选择具体模型的具体参数**。比如在BP神经网络中，其目的主要为了选择模型的层数、神经元的激活函数、每层模型的神经元个数（即所谓的超参数）。每一层网络神经元连接的最终权重是在模型选择（即K折交叉验证）之后，由全部的训练数据重新训练。

目的在模型选择，而非模型训练调整参数。

**c) K值的选择**

**K值的选取是一个偏差与方差的权衡：**

*K=1时，所有数据用于训练，容易过拟合；*

*K=N时，相当于留一法LOOCV (*Leave-one-out cross-validation *).;*

通常建议K=10.，2017年的一项研究给出了另一种经验式的选择方法\[3\]，作者建议 K \\approx log(n) 且保证 n/K >3d

[20191220155724354.png]: /images/20210726/6e3befcf673f47ca8ce380ed94d10123.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI1Nzc0NzQ_size_16_color_FFFFFF_t_70]: /images/20210726/df00ac138f7143a787bfd84e3ff45899.png