有人可以推荐在机器学习中划分训练数据和测试数据的最佳百分比。如果我将训练和测试数据分成 30-70％，有什么缺点？
答案 0 :(得分：0)
不幸的是，没有一种“正确的方法”来分割您的数据，人们使用不同的值，这些值是根据不同的启发式，直觉和个人经验/偏好选择的。一个很好的起点是Pareto principle（ 80-20 ）。
有时使用简单拆分不是一种选择，因为您可能只是拥有太多数据 - 在这种情况下，如果您的算法计算复杂，则可能需要对数据进行采样或使用较小的测试集。一个重要的部分是随机选择您的数据。权衡非常简单：减少测试数据 =算法的性能会有更大的差异。 培训数据越少 =参数估算值会有更大的差异。
对于我个人来说，比分裂的大小更重要的是，你显然不应该总是在相同的测试分割中只执行一次测试，因为它可能有偏见（你的分裂可能是幸运的或不幸的）。这就是为什么你应该对几种配置进行测试的原因（例如，每次选择不同的20％进行测试时，你会运行X次测试）。在这里，您可能会遇到所谓的模型方差问题 - 不同的拆分会导致不同的值。这就是为什么你应该多次运行测试并平均结果。
使用上述方法，您可能会发现测试所有可能的拆分很麻烦。一种完善的分割数据的方法就是所谓的cross validation，你可以在wiki文章中看到它有几种类型（详尽的和非详尽的）。请特别注意 k-fold交叉验证。
答案 1 :(得分：0)
阅读各种交叉验证策略。
10％-90％的分割是受欢迎的，因为它来自10倍交叉验证。 但你也可以进行3倍或4倍的交叉验证。 （33-67或25-75）
出现了更大的错误：
确保首先合并所有重复项，并在数据不平衡时进行分层拆分。