机器学习算法中数据集的输入输出、训练测试集是什么关系？

首先，数据集中包含多个样本，每个样本都有同样的输入输出

输入就是判断的依据，可以理解为特征，特征可以是多个，根据不同的情形自行选择，输出就是根据特征判断的结果，也是我们构建机器学习模型的目的（为了预测或者分类某些指标），这个结果也可以有多个

训练集：多个样本的集合，用来构建收敛机器学习模型，一般选择数据集中的大多数样本

测试集：多个样本的集合，不能和训练集中的样本重合，用来对构建好的机器学习模型进行泛化性测试，一般选择数据集中的少数样本，并且这些样本要和训练集中的样本在数值类型上、数值范围上、以及特征的相互关系上类似，否则效果可能会比较差！

试想，如果这个机器都没有学习过类似的同类型的数据，你拿一个新的陌生数据给他，他会认识么？

预测集：多个样本的集合（这些样本没有输出），使用他们的目的就是通过已经测试好的、泛化性良好的机器学习模型根据输入来预测输出，该数据集只有输入特征。

训练集、测试集、预测集的关系可以打一个很形象的比喻：

今天，老师给我们讲了一道数学题，我们都听懂了，这个数学题相当于训练集

晚上，老师给我们布置了作业，也是一道数学题，和白天讲的那道类似，看看我们学习的如何（老师有答案、对作业进行了批改），这个作业就相当于测试集

第二天，老师组织了一场考试，这个考试没有答案，只有题目，这个题目就相当于预测集。

为了让大家更好的从数据结果上理解上述概念的关系，可以查看下图：








请前往：http://www.mark-to-win.com/TeacherV2.html?id=269