检查这篇论文。它的介绍对两者都有很好的定义：

评估任何机器学习模型的经典方法都是围绕其普遍性的评估，即它在未见过的测试场景中的性能。

在可用的非重叠测试集上评估此类模型很受欢迎，但在探索模型对异常值和嘈杂数据/标签的弹性（即稳健性）的能力方面受到很大限制。

为了通用性，与原始数据相比，看不见的数据不必是嘈杂的或包含更多的异常值。您可以简单地将原始数据集拆分为 3：训练、验证和测试；使用训练和验证进行模型开发，并在交叉验证后保留测试数据以进行最终检查。这将检查您的模型的通用性。与其他两个相比，以这种方式创建的测试集不会有更多的噪音或有更多的异常值。