我开始学习机器学习，我对一些概念有疑问。我读过我们需要将数据集拆分为训练集、验证集和测试集。我会问四个与他们相关的问题。
1 -训练集：它.fit()用于我们的模型学习参数，例如神经网络中的权重？
2-验证集：也可用于.fit(). 使用验证集，以便我们可以在每个 epoch 结束时验证我们的模型（调整一些超参数，例如隐藏层中的节点数）？
3 - 如果 2 是正确的（即验证集已经在 中使用.fit()），我们还需要使用.evalute()吗？为什么？
4 -测试集x：模型从未见过的新输入（ ），所以我可以对它们进行预测？通过.predict()函数使用？
首先要明确的是，我们在这里专门讨论监督学习：有一个训练阶段，在此阶段模型提供了标记的实例（特征和类）。
简单的类比：模型就像一个学生。
最重要的区别是训练集和测试集，这两者在监督学习中总是必要的。验证集是可选的：它是一个中间测试集，在有不同“级别”的训练时使用。例如，在第 1 级，多个模型（例如具有不同特征或超参数）在训练集上进行训练并在验证集上进行评估。在第 2 级，从这些多个模型中挑选出最好的模型：第 2 级是一种“元训练”，因此最终模型仍然需要使用新的测试集（未见数据）进行评估。深度神经网络也需要一个验证集，因为它们迭代地应用一个大的训练/评估循环来训练一个模型。
所以问题 3 的答案是：因为在训练期间使用了验证集（第 2 级），它不能被认为是对最终模型的良好评估（因为模型使用来自它的信息）。
训练数据集用于训练模型从数据中学习信息以解决问题（预测）。
验证数据集用于检查训练模型是否足以解决未见数据的问题（预测），并用于选择使用的最佳训练模型。验证数据不用于训练，但用于选择最佳模型以供将来使用