當然是對訓練集進行訓練。當你把在訓練集上訓練好的模型調參完畢時，再拿到測試集上進行測試，看看是否出現過擬合或者欠擬合的情況，如果出現，再回頭調整。

這個是最好理解的，用來訓練模型內參數的資料集，Classfier直接根據訓練集來調整自身獲得更好的分類效果

用於在訓練過程中檢驗模型的狀態，收斂情況。驗證集通常用於調整超引數，根據幾組模型驗證集上的表現決定哪組超引數擁有最好的效能。

同時驗證集在訓練過程中還可以用來監控模型是否發生過擬合，一般來說驗證集表現穩定後，若繼續訓練，訓練集表現還會繼續上升，但是驗證集會出現不升反降的情況，這樣一般就發生了過擬合。所以驗證集也用來判斷何時停止訓練

測試集用來評價模型泛化能力，即之前模型使用驗證集確定了超引數，使用訓練集調整了引數，最後使用一個從沒有見過的資料集來判斷這個模型是否Work。

形象上來說訓練集就像是學生的課本，學生 根據課本里的內容來掌握知識，驗證集就像是作業，透過作業可以知道 不同學生學習情況、進步的速度快慢，而最終的測試集就像是考試，考的題是平常都沒有見過，考察學生舉一反三的能力。

訓練集直接參與了模型調慘的過程，顯然不能用來反映模型真實的能力，這樣一些 對課本死記硬背的學生(過擬合)將會擁有最好的成績，顯然不對。同理，由於驗證集參與了人工調參(超引數)的過程，也不能用來最終評判一個模型，就像刷題庫的學生也不能算是學習好的學生是吧。所以要透過最終的考試(測試集)來考察一個學(模)生(型)真正的能力。

如果要想對自己的資料集進行測試，那就需要對其進行訓練集，驗證集和測試集的劃分。

我們訓練機器學習模型，目的是使用已有資料來預測未知的資料，通常我們稱模型對未知資料的預測能力稱為泛化能力。為了評估一個模型的泛化能力，通常我們會將資料分成訓練集和測試集，訓練集用來訓練模型，測試集用來評估模型的泛化能力。

這裡有幾點需要注意：

通常將資料集的80%作為訓練集，20%作為測試集；

通常需要在開始構建模型之前把資料集進行劃分，防止資料窺探偏誤，也就是說我們避免瞭解太多關於測試集中的樣本特點，防止我們認為的挑選有助於測試集資料的模型，這樣的結果會過於樂觀，但是實際上並沒有預期的那樣優秀；

通常我們在構建模型的時候需要將資料進行處理，包括一些資料的清洗，資料的特徵縮放（標準化或者歸一化），此時我們只需要在訓練集上進行這些操作，然後將其在訓練集上得到的引數應用到測試集中，也就是說，在工作流程中，你不能使用在測試資料集上計算的得到的任何結果。比如：我們得到的屬性中可能有缺失值，因為在這些操作之前，我們已經把資料集分成了訓練集和測試集，通常的做法是透過計算屬性值的中位數來填充缺失值，注意此時計算屬性值的中位數是透過訓練集上的資料進行計算的，當我們得到一個模型的時候，如果想要測試模型的測試誤差來近似泛化誤差的時候，可能此時的測試集也會有一些缺失值，此時對應屬性的缺失值是透過訓練集計算的中位數來進行填充的。