本专栏我们将和大家一起探讨机器学习与数据科学的主题，解释相关背景知识，并就一些来自社区的问题进行解答。
本文主要介绍模型验证及其相关主题，如过拟合和超参数调优。我将概括介绍该主题及其重要性，然后探讨以下四个问题：
1. 模型准确率为什么会变差？
2. 训练数据集和测试数据集有什么区别？
3. 验证数据集用来做什么？
4. 如何在改进模型的同时避免过拟合？
引言
模型验证是机器学习的一项基础方法。如果使用得当，它将帮助您评估机器学习模型在新数据上的表现。
这可以提供两方面的帮助：
- 它可以帮助您确定要使用的算法和参数。
- 它可以防止训练过程中出现过拟合。
当我们用手头的数据集解决问题时，找到合适的机器学习算法来创建模型非常重要。每个模型都有自己的优点和缺点。
例如，某些算法能更好地处理小型数据集，另一些算法则在处理大量高维数据时表现出色。
因此，两个不同的模型可能基于同一个数据集预测出不同的结果，并且具有不同的准确度。
为您的数据找到最佳模型是一个交互式过程，需要测试不同的算法以最大程度地减少模型误差。
控制机器学习算法行为的参数称为超参数。
根据超参数取值的差异，所得的模型可能大相径庭。因此，通过调整超参数的值，您可以得到不同并且有可能更好的模型。
如果没有模型验证，很容易不知不觉将模型调整到过拟合的程度。
您的训练算法应该调整参数以最小化损失函数，但有时会做得太过。
发生这种情况时，模型将变得过拟合，也就是说，模型过于复杂，不能很好地处理新数据。
我将在下面的问题中更深入地探讨这一点。
要测试您的模型在新数据上的表现，可以使用模型验证，方法是对数据集进行划分，然后使用一个子集训练算法，使用其余数据测试算法。
由于模型验证并未将全部数据用于构建模型，因此是防止训练过程中出现过拟合的一种常用方法。
现在讨论第一个问题。
Q1
我的模型可以很好地处理训练数据，但是处理新数据时，结果并不理想。我该如何解决这个问题？
看样子您的模型是过拟合了，也就是说您的模型完全跟着训练集走，但不知道如何对新输入或数据作出响应。模型对训练所用数据集的响应“好过头了”。
一开始，过拟合模型可能会显得很成功，因为它在训练集上的误差很小。然而，模型在测试集上的误差会变大，也就不那么准确了。
模型过拟合的最常见原因是训练数据不足，因此最好的解决方法是收集更多的数据，更好地训练模型。
但是，您不仅需要更多的数据，还需要确保这些数据足以代表模型的复杂性和多样性，以便模型知道如何对其作出响应。
Q2
我知道数据需要分组，但是我以为测试数据集和训练数据集的用途相同。它们之间有什么区别？
实际上，测试数据集和训练数据集是不同的。在前面介绍模型验证时，我谈到了模型验证如何将数据划分为这样两个子集，接下来我深入探讨一下。
模型验证使用随机划分到不同子集的数据，通过调整模型来对新输入作出正确的响应，从而降低模型过拟合的风险。两种典型的数据子集如下：
- 训练集 - 这部分数据用于训练和拟合模型并确定参数，通常占数据的 60-70%，需要反映模型的复杂性和多样性。
- 测试集 - 这部分数据用于评估模型的性能，通常占数据的 30-40%，同样需要反映模型的复杂性和多样性。
由于这两个数据集都需要反映模型的复杂性和多样性，因此数据应该是随机划分的。
这种方法也会降低模型过拟合的风险，帮助我们得出更准确但更简单的模型，以将其结果用于研究。
如果我们使用非随机选择的数据集训练模型，则就这一特定数据子集而言，模型将得到很好的训练。
问题在于，非随机数据不能代表其余数据，也不能代表我们要用模型处理的新数据。
比如说，我们要分析一个城镇的能源消耗。如果我们用于训练和测试的数据集不是随机的，只包含周末的能源消耗数据（通常低于工作日），那么当我们将该模型应用于新数据（例如新月份）时，它会是不准确的，因为它只代表周末。
以下是一个简单模型和一个复杂模型：
简单模型
84% 准确度
复杂模型
100% 准确度
我们会看到，复杂模型可以更好地适应训练数据，其准确度为 100%，而简单模型为 84%。
我们会倾向于认为复杂模型胜出。
但是，让我们看看如果将测试数据集（未在训练中使用的新数据）输入这些模型会有什么结果：
简单模型
70% 准确度
复杂模型
60% 准确度
比较两种模型的性能时，我们会发现简单模型的准确度从 84% 下降到 70%；
然而，相比复杂模型 40 个百分点的跌幅（从 100% 降至 60%），这点变化就不那么明显了。
总结一下，对此分析而言，简单模型更好、更准确，同时我们也看到，使用测试数据集来评估模型非常重要。
最后，还有一个建议。为了降低变异性，不妨使用数据集的多种划分进行多轮模型验证，以使模型更好地适应您的分析。
Q3
我以为只要有训练集和测试集就够了；一定还要有验证数据集吗？我真的需要再次拆分我的数据吗？
很遗憾，验证集再次遭到误解。
这是一个常见的问题。一般情况下，没有人会质疑训练集和测试集的必要性，但验证集的必要性则不是那么确凿。
简单的解释是，超参数调整中需要使用验证集，以查看调整是否有效，换句话说，能否在完整模型上进行迭代。但是，有时人们错误地使用验证集来描述测试数据集。
下面，我会详细说明验证数据集的重要性：
- 验证集 - 此数据集用于在调整模型的超参数时评估模型的性能。该数据用于更频繁的评估，并用于更新超参数，因此验证集会间接影响模型。调整模型的超参数并不是绝对必要的，但通常建议这样做。
- 测试集 - 此数据集用于对训练集中的最终模型拟合进行无偏评估。此数据集只在模型训练完成后使用一次，并且不影响模型；它只是用于计算性能。
总结一下，训练数据集用于训练可用的各种算法，验证数据集用于比较不同算法（使用不同的超参数）的性能，并决定采用哪一种算法。测试数据集用于了解特定模型的准确度、敏感度和性能。
Q4
我想改进我的模型，但又担心过拟合。我该怎么做？
这是个好问题。
在本文的简介部分，我简要提到了超参数可以控制机器学习算法的行为。接下来，我将对此进行更深入的介绍。
您可以将超参数想像成自行车的部件：我们可以通过改变它们来影响系统的性能。
假设您购买了一辆二手自行车。车架尺寸合适，但如果您调整一下座椅高度，收紧或放松刹车，给链条上油或安装适合地形的轮胎，这辆自行车可能会更高效。
外部因素也会影响您的骑行，但是有了一辆优化过的自行车，同一段行程会变得更轻松。类似地，优化超参数将帮助您改进模型。
下面是一个机器学习示例。在人工神经网络 (ANN) 中，超参数是确定网络结构的变量，例如人工神经元的隐藏层数和每一层中的人工神经元数；或者是定义如何训练模型的变量，例如学习率，即学习过程的速度。
超参数是在学习过程开始之前定义的。相对地，ANN 的参数是每个人工神经元连接的系数或权重，并在训练过程中进行调整。
典型的神经网络架构
超参数是在训练或学习过程开始之前确定的模型参数，它位于模型的外部；换句话说，如果您想更改超参数，需要手动更改。
自行车座椅不会自行调整，您需要在出发前先行调整；类比到机器学习模型中，就是使用验证数据集进行调整。
相对地，其他参数是在训练过程中使用训练数据集确定的。
训练和测试模型所需的时间取决于其超参数，模型的超参数越少，越易于验证或调整，因此您可以减小验证数据集的大小。
非凸曲面示例
大多数机器学习问题都是非凸的。
这意味着根据我们为超参数选择的值，我们可以得到完全不同的模型，并且，通过更改超参数的值，我们可以找到不同的、更好的模型。
这就是验证数据集的重要之处，它让您能够使用不同的超参数进行迭代，从而为您的分析找到最佳模型。
