留出法(holdout)是机器学习中将一部分数据单独留出、不用于训练和调参的评估方法,也指以这种方式保留的数据集。训练结束后,用模型未见过的留出集衡量性能,以估计模型对新数据的泛化能力,并检测对训练数据的过拟合。
它是最简单的数据划分方式,即把数据一次性分为训练集、验证集和测试集,与轮换多次划分的交叉验证(cross-validation)相对。在评估AI系统或智能体时,也会使用不公开的留出任务集,以防止针对同一基准测试反复调优。
holdout
在训练和调参过程中不让模型接触、仅用于最终评估而单独留出的数据集。
留出法(holdout)是机器学习中将一部分数据单独留出、不用于训练和调参的评估方法,也指以这种方式保留的数据集。训练结束后,用模型未见过的留出集衡量性能,以估计模型对新数据的泛化能力,并检测对训练数据的过拟合。
它是最简单的数据划分方式,即把数据一次性分为训练集、验证集和测试集,与轮换多次划分的交叉验证(cross-validation)相对。在评估AI系统或智能体时,也会使用不公开的留出任务集,以防止针对同一基准测试反复调优。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。
持续更新留出集,使其跟上真实的生产工作负载,让智能体无法适应固定的评估范围。
阅读文章百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。