神经网络训练中的 data splits 是什么

在神经网络训练中，"data splits" 是指将可用数据集划分为不同的子集，以便在训练、验证和测试过程中使用。

通常，常见的数据拆分包括以下几个部分：

1. 训练集（Training Set）：这是用于训练神经网络模型的数据子集。通过在训练集上迭代训练模型，神经网络可以学习特征和模式，并优化其权重和参数。

2. 验证集（Validation Set）：这是用于调整模型超参数和进行模型选择的数据子集。在训练过程中，使用验证集评估模型的性能，并根据验证集上的表现进行调整和改进。验证集用于避免模型在训练集上过拟合，并帮助选择最佳的模型配置。

3. 测试集（Test Set）：这是用于评估最终模型性能的独立数据子集。测试集在模型开发的最后阶段使用，用于模型的最终性能评估和泛化能力测试。由于测试集与【训练集和验证集】是独立的，它提供了对模型在未见过的数据上的性能评估。

通常，数据拆分的比例是根据具体任务和数据集的规模来确定的。常见的做法是将数据集按照70-80%的比例分成训练集，10-15%的比例分成验证集，剩余的10-20%分成测试集。这只是一种常见的拆分方式，具体的比例可以根据情况进行调整。

数据拆分的目标是为了在训练、验证和测试过程中使用不同的数据子集，以确保评估和验证的准确性，并对模型的性能进行合理的评估。同时，数据拆分还有助于评估模型的泛化能力，即在未见过的数据上的表现能力。