機器學習中所使用到的資料集通常可以分成訓練集，驗證集和測試集三類。其中訓練集(train set)是為了用來訓練模型和明確模型引數的；驗證集(valid set)則是用做模型超引數的選擇，如學習率、批大小、損失函式等等；測試集(test set)則是在確定好模型之後，用來檢測模型在實際資料中的效果。

用準備高考來打個比方，訓練集就是平時做的習題，透過做習題來掌握知識點；驗證集就好比每次月考，來檢驗自己一段時間的學習方法的效果，如果考的不好，就需要及時總結和調整學習方法；那麼最後的高考題就是測試集了，這裡面都是全新的題，能夠真正檢驗你這三年的學習成果。

此外透過分析模型在不同資料集的結果，我們就可以很快的分析出存在的問題。比如判斷模型是否存在過擬合。這裡拿訓練分類任務舉例，最佳化的目標是準確率。如果在訓練集上的準確率很差，驗證集上的效果也很差，那麼說明當前模型欠擬合，需要透過增加訓練次數，擴大模型複雜度的方法來改進模型。如果訓練集上準確率很高，而驗證集效果很差，這種情況下模型就出現了過擬合，泛化效能差，需要進一步調節模型超引數。如果訓練集、驗證集的準確率都很高，但是在測試集上效果差，就需要檢查測試集的資料分佈是否和訓練集的差異過大，或者需要進一步增加資料量，來提升模型在測試集上的效果。

謝謝你的邀請：在有監督的機器學習中，經常會說到訓練集（train）驗證集（valdation）和測試集（test）。因為這三個集的區分可能讓人湖塗。我們將資料劃分為訓練集、驗證集、測試集，這三個集合不能有分集常見比例是8：1：1。比例是人為分的，三個集合都是共同分佈！事實上，對於一個模型來說。其引數分為普通引數和超引數，在不引入強化學習前提下！那麼普通引數就是可以被梯度下降所更新，是訓練集所更新的引數。超引數的概念如網路層數、網路節點、迭代次數學習率等等，這些引數不在梯度下降的更新範圍內。多數情況下還是自己人工根據驗證集來調！我們需要一個完全沒有經過訓練集合，只是在模型最終訓練完成後。用來測試一下最後的準確率。不知道我回答是否準確！謝謝。