1、训练集
用来构建模型，通过训练拟合一些参数建立分类器。
2、验证集
用于确定网络结构以及调整模型的超参数。
使用验证集的目的就是为了快速调参（如网络层数、网络节点数、迭代次数等等），从而获得当前最优模型。
验证集是在训练集中划分出的一部分。
验证集不是必须要有的！
3、测试集
用来评估最终模型好坏。
4、是否需要划分验证集判断
4.1划分验证集
如果样本数量为万级以上，可以考虑划分为训练集（60%）、验证集（20%）、测试集（20%）；
如果样本数量达到百万级以上，验证集和测试集都留1W即可；
超参数越少或者容易调整，可以减少验证集比例，更多的分配给训练集。
4.2不需要划分验证集
如果样本数量少于1w，可以不用划分验证集，采用交叉验证训练优化选择模型。
5、交叉验证
5.1简单交叉验证
所谓简单是相对于其他交叉验证方法而言的。
随机将样本划分为训练集（70%）和测试集（30%），用训练集训练模型，用测试集验证模型及参数。接着再把样本打乱，重新选择训练集和测试集，继续训练模型和验证模型。最终选择损失函数评估最优模型和参数。
5.2 K折交叉验证
将样本随机划分为K个大小相同的互斥的子集，每次选K-1个作为训练集，剩的那个作为测试集。重复若干次（小于K）后，选择损失函数评估最优模型和参数。
这种方法评估结果的稳定性和保真性很大程度上取决于K的选择。
5.3留一交叉验证
是K折交叉验证的特例，适用于样本数量很少的情况。
该方法中，K等于样本数量N，每次选择N-1个样本进行训练，剩的1个样本进行测试。
5.4三种方法的选择
如果只是做个初步的模型建立，不是做深入分析的话，选择简单交叉验证，否则用K折交叉验证；在样本量少的情况下，使用留一交叉验证。
5.5交叉验证函数
cross_val_predict和cross_val_score都是交叉验证函数，区别主要是而这返回的评估结果不一样。
①、cross_val_predict：返回的是与样本数量个数一样的分类结果或者预测值。可以通过该预测输出与实际目标值做对比，准确定位到预测出错的地方，有利于参数优化和问题排查。输出的预测值可以用于计算PR曲线和ROC曲线。
其中，Ytrain为正确的标签，y_score为输出概率值，thresholds1为阈值，当 y_score>thresholds1时预测为正样本；当 y_score<thresholds1时预测为负样本。注意，输出的precision和recall最后一个值分别为1和0，并且没有对应的阈值。
②、cross_val_score：输出的是每一折的得分（准确率），K个得分取平均值就是模型的平均性能。最终输出的Accuracy可以由平均得分和95%置信区间共同得出。
cross_val_predict的输出结果不可以作为模型泛化性能参考；cross_val_score可以作为模型泛化性能的参考。
5.6置信区间
表示估计的准确度或精确度。
