訓練數據集指什麼

㈠ 什麼叫訓練數據(training data)

這個是講AI的artificial neural network時候用的。

例如說你要做一個AND logic。在你建立了一個artificial neural network以後，它是一個沒有任何功能的空白network。這時候你需要training data來train你的network。這個時候的training data，就是已經准備好的，正確的AND logic的input跟output，讓這個artificial neural network來學習這個input和output的關系從而模仿AND logic(Hence artificial intelligence)。

在train好了以後，你要確認你的network時候符合你的training data的要求，你就選一組testing data(比training data數量要少很多，可以是training data的一部分)，來test你的network是不是真的被train好了。一般不能達到100%正確，根據情況，一半90%以上，例如95%就不錯了。這里就是為了證明你train的這個network，是針對你的training set是有用的。

至於validation data。你的training data sample，在統計學里，是在你的global population里選出來的，它不一定100%反應你的global population的特性。所以你要在global population里，另外再選一組validation data，來validate你之前通過test的network。也就是為了確認，你這個network，不是只對你的training data有用，而是對global population都有用的。

我是在國外上的大學，大四的時候學過這個。嘿嘿。

補充：

你說的這些我沒學過。
不過我猜測training data應該跟我所學的artificial neural network的有類似。多半是你的system或者model，需要學習你所研究東西的behaviour。所以你用一組以前所得到的正確的data，裡麵包括所有相應的input跟output，來train你的system或者model。（感覺說來說去還是在說AI跟artificial neural network，嘿嘿）

補充二

我說反了嗎？兩年前學的，不太記得了。問問老師或者查查書吧。

㈡ 數據挖掘中的訓練數據集如何成為模型

首先我並不是很明白這個訓練數據集是什麼意思，一般來講我們是訓盯納練模型。至於選用什麼模型這個就看你自己的選擇了，是回歸模型？分類模型？還是其他的什麼模型？
模型訓練完後輸入新的數據滾山（凱備沒格式與訓練數據集一致）到模型中即可做預測

㈢ 機器學習中的數據集合

機器學習中的數據集合
數據集分類
在有監督(supervise)的機器學習中，數據集常被分成2~3個，即：訓練集(train set) 驗證集(validation set) 測試集(test set)。
訓練集用來估計模型，驗證集用來確定網路結構或者控制模型復雜程度的參數，而測試集則檢驗最終選擇最優的模型的性能如何。
Ripley, B.D（1996）在他的經典專著Pattern Recognition and Neural Networks中給出了這三個詞的定義。
Training set:
A set of examples used for learning, which is to fit the parameters [i.e., weights] of the classifier.
Validation set:
A set of examples used to tune the parameters [i.e., architecture, not weights] of a classifier, for example to choose the number of hidden units in a neural network.
Test set:
A set of examples used only to assess the performance [generalization] of a fully specified classifier.
顯然，training set是用來訓練模型或確定模型參數的，如ANN中權值等； validation set是用來做模型選擇（model selection），即做模型的最終優化及確定的，如ANN的結構；而 test set則純粹是為了測試已經訓練好的模型的推廣能力。當然，test set這並不能保證模型的正確性，他只是說相似的數據用此模型會得出相似的結果。但實際應用中，一般只將數據集分成兩類，即training set 和test set，大多數文章並不涉及validation set。
選擇訓練集和測試集
其中一個典型的劃分是訓練集占總樣本的50％，而其它各佔25％，三部分都是從樣本中隨機抽取。樣本少的時候，上面的劃分就不合適了。常用的是留少部分做測試集。然後對其餘N個樣本採用K折交叉驗證法。就是將樣本打亂，然後均勻分成K份，輪流選擇其中K－1份訓練，剩餘的一份做驗證，計算預測誤差平方和，最後把K次的預測誤差平方和再做平均作為選擇最優模型結構的依據。特別的K取N，就是留一法（leave one out）。
數據歸一化問題
數據歸一化屬於數據的預處理。因為sigmoid函數根據不同的變換，輸出在0到1或者－1到1之間，因此如果不做歸一，就會出現樣本輸出超出神經網路輸出的范圍。選擇最大的值max和最小值min，做如下變換
x＝(x－min)/(max-min)
就是歸一化。
需要注意的是max和min不應該直接選擇為x中的最大值和最小值。原因是樣本只是有限的觀測，有可能還有更大或者更小的觀測，因此合適的選擇應該max選取xmax大一些和min比xmin小一些的。歸一化並不總是合適的預處理，因為它不能使分布不對稱的樣本變得更對稱一些，標准化要好一些。另外，有時候主成分分析也能起到降維的作用。

㈣ 測試集和訓練集是什麼意思

1.測試集：

機器學習學科中，學習樣本三部分之一，測試集用來檢驗最終選擇最優的模型的性能如何。

2.訓練集：

機器學習學科中，學習樣本三部分之一，訓練集用於建立模型。驗證集用來確定網路臘孫結構或者控制模型復雜程度的參數，而測試集則檢驗最終選擇最優的模型的性能如何。

(4)訓練數據集指什麼擴展閱讀

訓練集用於監督學習中，監督學習是指利用一組已知類別的樣本輪隱鏈調整分類器的參數，使其達到所要求性能的過程，也稱為監督訓練或有教師學習。

監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。訓練數據包括一套訓練示例。在監督學習中，每個實例都是由一個輸入對象和一個期望的輸出值組成。監督學習演算法是分析該訓練數據，並產生一個推斷的功能，其可以用於映射出新的實例。

大數據環境下的機器學習演算法，依攜戚據一定的性能標准，對學習結果的重要程度可以予以忽視。 採用分布式和並行計算的方式進行分治策略的實施，可以規避掉噪音數據和冗餘帶來的干擾，降低存儲耗費，同時提高學習演算法的運行效率。

參考資料來源：網路-測試集

參考資料來源：網路-訓練集

㈤ matlab數據集文件夾劃分

Matlab數據集文件夾劃分可以根據不同的需求來進行，一般來說可握亂以將其分為以下幾類：
1）原始數據集：用於存放原始的數據，包括原始的圖像、視頻、文本等；
2）處理後數據集：用於存放經過處理的數據，包括經過格式轉換、濾波等處理的數據；
3）特徵提取數據集：用於存放提取的特徵，包括提取的圖像特徵、文本特徵、音頻特祥巧征等；
4）訓練數據集：用於存放訓練數據，包括訓練樣本、訓練標簽等；
5）測試數據集：用於存放測試數據，包括測試樣本、測試標簽等。
此外，還可以根據實際情況進行更細致的劃分，比如將原始數據集劃分為訓練集、驗證集和測試集，將特徵提取數據集劃分謹皮鍵為特徵提取和特徵選擇等。

㈥ 誰能解釋下 數據挖掘里的訓練數據、測試數據和驗證數據呀

一般做預測分析時，會將數據分為兩大部分。一部分是訓練數據，用於構建模型，一部分是測試數據，用於檢驗模型。但是，有時候模型的構建過程中也需要檢驗模型，輔助模型構建，所以會將訓練數據在分為拍衡好兩個部分：1）訓練數據；2）驗證數據（Validation Data）。驗證數據用於負責模攔跡型的構建。具體的是：訓練數據（Test Data）：用於模型構建襲鉛；驗證數據（Validation Data）：可選，用於輔助模型構建，可以重復使用；測試數據（Test Data）：用於檢測模型構建，此數據只在模型檢驗時使用，用於評估模型的准確率。絕對不允許用於模型構建過程，否則會導致過渡擬合。

㈦ 什麼是數據集

數據集，又稱為資料集、數據集合或資料集合，是指一種由數據所組成的集合。
Data set（或dataset）是一個數據的集合，通常以表格形式出現。基穗每一列代表一個特定變搏坦卜量。每一行都對應於某一成員的數據集的問題。它列出的價值觀為每一個變數，如身高和體重的一個物體或價值的隨機數。每個數值被稱為數據資料。對應於行數，該信滑數據集的數據可能包括一個或多個成員。