Ⅰ 什麼是訓練集和預測集
訓練集是用於訓練機器學習模型的原始數據的一部分，而預測集是用於評估模型性能的數據集。
訓練集（Training Set）：
- 定義：訓練集是機器學習模型學習過程中的基礎數據集。在這個數據集上，模型會嘗試從輸入特徵中預測輸出目標，並通過調整參數來最小化預測誤差。
- 作用：訓練集的主要作用是幫助模型理解數據中的模式和規律。模型需要大量的數據來學習，因此訓練集通常比其他數據集（如測試集）要大。
- 示例：在構建分類模型預測電子郵件是否為垃圾郵件時，大部分數據（例如80%）會用作訓練集，讓模型學習如何從電子郵件文本中識別垃圾郵件的特徵。
預測集（Prediction Set）：
- 定義：預測集是用於評估模型性能的數據集，通常不用於訓練模型，以確保評估的客觀性。預測集可以進一步分為測試集和驗證集。
- 測試集（Test Set）：用於最終評估模型性能，通常在模型訓練和調整完成後使用。測試集能夠幫助我們了解模型在未知數據上的表現。
- 驗證集（Validation Set）：用於在模型訓練過程中選擇最佳模型參數和結構，通常在訓練過程中使用。驗證集有助於我們在訓練過程中監控模型的性能，並進行相應的調整。
- 作用：預測集的主要作用是確保模型不僅能在訓練數據上表現良好，而且能在實際應用中准確預測未知數據。通過使用預測集，我們可以更客觀地評估模型的性能，並進行必要的優化。
綜上所述，訓練集和預測集在機器學習和數據挖掘領域扮演著關鍵角色，它們共同構成了模型構建和評估的基礎。