摘要：机器学习中，训练集-测试集划分是评估模型性能的关键技术。通过将数据分为训练集（用于模型训练）和测试集（用于性能评估），可以避免过拟合问题，确保模型具有良好的泛化能力。示例使用sklearn的train_test_split函数将鸢尾花数据集按8:2划分，训练逻辑回归模型后获得100%的测试准确率。该方法通过独立测试集验证模型对新数据的预测能力，random_state参数保证了实验可重复性。
目录
机器学习 —— 训练与测试
示例
输出结果
术语说明
机器学习 —— 训练与测试
在机器学习中，训练集 - 测试集划分（train-test split）是一种常用的模型性能评估技术。其核心思想是将现有数据划分为两个数据集：训练集（training set）和测试集（testing set）。训练集用于模型的训练过程，测试集则用于评估模型的性能表现。
训练集 - 测试集划分至关重要，因为它能让我们在模型未见过的数据上进行测试。这一过程的必要性在于：若直接使用训练数据评估模型，可能会出现模型在训练集上表现优异，但对新数据的泛化能力较差的情况。
示例
在 Python 中，可以使用sklearn.model_selection模块中的train_test_split函数实现数据的划分。以下是具体实现示例：
# 导入所需库和数据集 from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression # 加载鸢尾花数据集 data = load_iris() X = data.data # 特征数据 y = data.target # 目标标签 # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建逻辑回归模型并在训练集上训练 model = LogisticRegression() model.fit(X_train, y_train) # 在测试集上评估模型性能 accuracy = model.score(X_test, y_test) print(f"准确率: {accuracy:.2f}")在上述示例中，我们首先加载了鸢尾花（iris）数据集，然后通过train_test_split函数将数据划分为训练集和测试集。接着创建逻辑回归模型并使用训练集进行训练，最后通过模型的score方法在测试集上评估性能。
train_test_split函数中的test_size参数用于指定测试集所占的比例。本示例中该参数设为 0.2，即 20% 的数据用于测试，80% 的数据用于训练。random_state参数用于保证数据划分的可重复性，确保每次运行代码都能得到相同的划分结果。
输出结果
运行上述代码后，将得到以下输出：
plaintext
准确率: 1.00总而言之，训练集 - 测试集划分是评估机器学习模型性能的关键步骤。通过将数据分离为训练集和测试集，能够有效避免模型对训练数据的过拟合（overfitting），确保模型具备良好的新数据泛化能力。
术语说明
- 训练集（training set）：用于模型训练的数据集合，模型通过学习该数据集的特征规律构建预测逻辑。
- 测试集（testing set）：独立于训练集的评估数据集合，用于检验模型对未见过数据的预测能力。
- 泛化能力（generalization ability）：模型从训练数据中学习到的规律，应用于新数据时的预测准确性。
- 过拟合（overfitting）：模型过度贴合训练数据的细节（包括噪声），导致在新数据上表现下降的现象。
random_state：控制随机数据划分的种子参数，设定固定值可确保实验结果的可重复验证。
