训练数据集指什么

㈠ 什么叫训练数据(training data)

这个是讲AI的artificial neural network时候用的。

例如说你要做一个AND logic。在你建立了一个artificial neural network以后，它是一个没有任何功能的空白network。这时候你需要training data来train你的network。这个时候的training data，就是已经准备好的，正确的AND logic的input跟output，让这个artificial neural network来学习这个input和output的关系从而模仿AND logic(Hence artificial intelligence)。

在train好了以后，你要确认你的network时候符合你的training data的要求，你就选一组testing data(比training data数量要少很多，可以是training data的一部分)，来test你的network是不是真的被train好了。一般不能达到100%正确，根据情况，一半90%以上，例如95%就不错了。这里就是为了证明你train的这个network，是针对你的training set是有用的。

至于validation data。你的training data sample，在统计学里，是在你的global population里选出来的，它不一定100%反应你的global population的特性。所以你要在global population里，另外再选一组validation data，来validate你之前通过test的network。也就是为了确认，你这个network，不是只对你的training data有用，而是对global population都有用的。

我是在国外上的大学，大四的时候学过这个。嘿嘿。

补充：

你说的这些我没学过。
不过我猜测training data应该跟我所学的artificial neural network的有类似。多半是你的system或者model，需要学习你所研究东西的behaviour。所以你用一组以前所得到的正确的data，里面包括所有相应的input跟output，来train你的system或者model。（感觉说来说去还是在说AI跟artificial neural network，嘿嘿）

补充二

我说反了吗？两年前学的，不太记得了。问问老师或者查查书吧。

㈡ 数据挖掘中的训练数据集如何成为模型

首先我并不是很明白这个训练数据集是什么意思，一般来讲我们是训盯纳练模型。至于选用什么模型这个就看你自己的选择了，是回归模型？分类模型？还是其他的什么模型？
模型训练完后输入新的数据滚山（凯备没格式与训练数据集一致）到模型中即可做预测

㈢ 机器学习中的数据集合

机器学习中的数据集合
数据集分类
在有监督(supervise)的机器学习中，数据集常被分成2~3个，即：训练集(train set) 验证集(validation set) 测试集(test set)。
训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。
Ripley, B.D（1996）在他的经典专著Pattern Recognition and Neural Networks中给出了这三个词的定义。
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.
显然，training set是用来训练模型或确定模型参数的，如ANN中权值等； validation set是用来做模型选择（model selection），即做模型的最终优化及确定的，如ANN的结构；而 test set则纯粹是为了测试已经训练好的模型的推广能力。当然，test set这并不能保证模型的正确性，他只是说相似的数据用此模型会得出相似的结果。但实际应用中，一般只将数据集分成两类，即training set 和test set，大多数文章并不涉及validation set。
选择训练集和测试集
其中一个典型的划分是训练集占总样本的50％，而其它各占25％，三部分都是从样本中随机抽取。样本少的时候，上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱，然后均匀分成K份，轮流选择其中K－1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法（leave one out）。
数据归一化问题
数据归一化属于数据的预处理。因为sigmoid函数根据不同的变换，输出在0到1或者－1到1之间，因此如果不做归一，就会出现样本输出超出神经网络输出的范围。选择最大的值max和最小值min，做如下变换
x＝(x－min)/(max-min)
就是归一化。
需要注意的是max和min不应该直接选择为x中的最大值和最小值。原因是样本只是有限的观测，有可能还有更大或者更小的观测，因此合适的选择应该max选取xmax大一些和min比xmin小一些的。归一化并不总是合适的预处理，因为它不能使分布不对称的样本变得更对称一些，标准化要好一些。另外，有时候主成分分析也能起到降维的作用。

㈣ 测试集和训练集是什么意思

1.测试集：

机器学习学科中，学习样本三部分之一，测试集用来检验最终选择最优的模型的性能如何。

2.训练集：

机器学习学科中，学习样本三部分之一，训练集用于建立模型。验证集用来确定网络腊孙结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。

(4)训练数据集指什么扩展阅读

训练集用于监督学习中，监督学习是指利用一组已知类别的样本轮隐链调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。

监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象和一个期望的输出值组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

大数据环境下的机器学习算法，依携戚据一定的性能标准，对学习结果的重要程度可以予以忽视。 采用分布式和并行计算的方式进行分治策略的实施，可以规避掉噪音数据和冗余带来的干扰，降低存储耗费，同时提高学习算法的运行效率。

参考资料来源：网络-测试集

参考资料来源：网络-训练集

㈤ matlab数据集文件夹划分

Matlab数据集文件夹划分可以根据不同的需求来进行，一般来说可握乱以将其分为以下几类：
1）原始数据集：用于存放原始的数据，包括原始的图像、视频、文本等；
2）处理后数据集：用于存放经过处理的数据，包括经过格式转换、滤波等处理的数据；
3）特征提取数据集：用于存放提取的特征，包括提取的图像特征、文本特征、音频特祥巧征等；
4）训练数据集：用于存放训练数据，包括训练样本、训练标签等；
5）测试数据集：用于存放测试数据，包括测试样本、测试标签等。
此外，还可以根据实际情况进行更细致的划分，比如将原始数据集划分为训练集、验证集和测试集，将特征提取数据集划分谨皮键为特征提取和特征选择等。

㈥ 谁能解释下 数据挖掘里的训练数据、测试数据和验证数据呀

一般做预测分析时，会将数据分为两大部分。一部分是训练数据，用于构建模型，一部分是测试数据，用于检验模型。但是，有时候模型的构建过程中也需要检验模型，辅助模型构建，所以会将训练数据在分为拍衡好两个部分：1）训练数据；2）验证数据（Validation Data）。验证数据用于负责模拦迹型的构建。具体的是：训练数据（Test Data）：用于模型构建袭铅；验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用；测试数据（Test Data）：用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。

㈦ 什么是数据集

数据集，又称为资料集、数据集合或资料集合，是指一种由数据所组成的集合。
Data set（或dataset）是一个数据的集合，通常以表格形式出现。基穗每一列代表一个特定变搏坦卜量。每一行都对应于某一成员的数据集的问题。它列出的价值观为每一个变量，如身高和体重的一个物体或价值的随机数。每个数值被称为数据资料。对应于行数，该信滑数据集的数据可能包括一个或多个成员。