我正在开展一个涉及使用顺序监督机器学习模型的项目，我用它来从非结构化文本数据中提取数据。数据的多样性是巨大的。
因此，我计划创建一个包含大量数据的训练集，并随机选择一些测试数据来检查模型的效率。我的问题是，是否存在增加的数据量训练集会提高机器学习模型的效率吗？如果没有，我该如何改进模型呢？
此外，如果我使用样本数据测试模型，其范围超出训练集（即与训练集不同的数据），那么我如何使模型处理它并产生正确的结果呢？
如果我经常测试数据，它是否真的可以从中学习（或者它只是根据现有的训练数据集生成结果）？
答案 0 :(得分：0)
您通常要做的是使用广泛的数据集，然后随机拆分该数据集。
例如，如果您有10万行数据来训练您的模型，您可以随机提供80％的数据来训练模型，并使用剩余的20 000行来验证它。这是机器学习中的常见模式。
在这种方法中，您现在可以使用您的模型来提高您获得的分数。
您不希望在模型上创建false testdata。