划分训练集 测试集 验证集

### 数据集划分最佳实践

在机器学习项目中，合理地将数据集划分为训练集、验证集和测试集对于构建有效模型至关重要。这不仅有助于防止过拟合，还能更真实地反映模型的泛化能力。

#### 划分比例的选择
一般推荐的比例为70%的数据作为训练集，15%作为验证集，剩下的15%则留作测试集[^2]。这样的分配可以确保有足够的样本供模型学习规律的同时，也保留了一定量未见过的新鲜案例来进行最终的效果评测。

#### 使用`caTools`包中的`sample.split()`函数
为了简化这一流程，在R语言中有专门为此设计的功能——来自`caTools`库下的`sample.split()`命令能够帮助随机抽样并分割原始资料表。具体操作如下所示：

library(caTools)

set.seed(123)  # 设置种子保证可重复性
split <- sample.split(dataset$target, SplitRatio = .8)  
train_set <- subset(dataset, split == TRUE)
test_and_validation_set <- subset(dataset, split == FALSE)

# 进一步拆分 test_and_validation_set 成 验证集 和 测试集
validation_split <- sample.split(test_and_validation_set$target, SplitRatio = .5)
validation_set <- subset(test_and_validation_set, validation_split == TRUE)
test_set <- subset(test_and_validation_set, validation_split == FALSE)

上述代码片段展示了如何利用`sample.split()`先创建一个逻辑向量来指示哪些观测应该被纳入到训练集中；接着依据此标志位分离出相应的子集合。之后再对剩余部分做进一步处理得到独立的验证集与测试集[^1]。

#### 注意事项
在整个过程中需特别注意保持各类标签之间的平衡分布，避免因类别不均而导致某些类别的代表性不足。此外，当面对时间序列型或其他具有内在顺序结构的数据时，则不宜采用简单的随机采样方式，而应考虑按照特定规则有序切片以维持原有模式特征[^3]。