课程大纲 第 87 课,共 250 课 · 你的第一批机器学习模型
你的第一批机器学习模型

训练集/测试集划分:诚实的衡量

这是机器学习中最重要的一个习惯。如果你训练了一个模型,然后在同样的数据上测试它,你学不到任何有用的东西。模型只要把见过的答案背下来就能拿满分。这就像用学生复习过的原题考他:考的是记忆,而不是理解。

解决办法是留出一部分数据。你在大部分数据上训练,然后在模型从没见过的行上测试。测试表现就是你对它在真实的未来数据上表现如何的诚实估计。

scikit-learn 为此给了你一个函数:

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=0
)

它返回四部分,顺序总是这样:训练特征、测试特征、训练标签、测试标签。有两个参数很重要:

  • test_size=0.2 留出百分之二十用于测试,保留百分之八十用于训练。
  • random_state=0 固定洗牌方式,让你每次运行都得到同样的划分。没有它,每次划分都是随机的,你的结果会来回抖动,也无法检查。在整个课程中,始终传入 random_state=0。

从现在起有一条严格的规则:你可以在训练集上训练,但只能在测试集上评分。永远不要报告模型训练过的数据上的分数。

轮到你了

给定数组 X(10 行 2 列)和 y(10 个标签)。用 train_test_split,参数 test_size=0.2 和 random_state=0,得到 X_train, X_test, y_train, y_test。然后把 n_train 设为训练行数,n_test 设为测试行数。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。