employee_set是一个列表，employee_set的每一个元素是都是一个具有15个图片元素的列表，employee_set的每一个元素都存放了一个员工的15张脸部图片，即employee_set是一个列表的列表。请你写一段python代码，将employee_set分成训练集和测试集，用你认为合适的方法进行训练，并写代码测试训练后的模型对image的判断是否正确。注意，image可能来自测试集，也可能是employee_set之外的一张图片，因此，当模型发现image与所有员工的特征都不相似是，他应当将image判断为“陌生人”

要将`employee_set`分成训练集和测试集，并训练一个模型来判断图片是否属于员工或陌生人，可以使用以下示例代码：

import random

# 假设employee_set是一个列表的列表，存放了多个员工的脸部图片
employee_set = [
    [employee1_img1, employee1_img2, ..., employee1_img15],
    [employee2_img1, employee2_img2, ..., employee2_img15],
    ...
]

# 定义训练集和测试集的比例
train_ratio = 0.8
test_ratio = 0.2

# 计算训练集和测试集的样本数量
num_employees = len(employee_set)
num_train = int(num_employees * train_ratio)
num_test = num_employees - num_train

# 随机打乱employee_set的顺序
random.shuffle(employee_set)

# 划分训练集和测试集
train_set = employee_set[:num_train]
test_set = employee_set[num_train:]

# 训练模型（这里只是个示例，具体的模型训练过程依赖于您选择的算法和库）
def train_model(train_set):
    # 在这里进行模型训练，使用train_set作为训练数据
    # 返回训练好的模型
    pass

# 测试模型
def test_model(model, test_set, image):
    # 在这里使用训练好的模型对给定的image进行判断
    # 判断逻辑可以是计算image与每个员工的相似度，如果都不相似，判断为“陌生人”
    pass

# 示例用法
model = train_model(train_set)
image = some_image  # 假设这是需要进行判断的一张图片
result = test_model(model, test_set, image)
print(result)

在上述代码中，我们首先定义了训练集和测试集的比例。然后，通过随机打乱`employee_set`列表的顺序，将其划分为训练集和测试集。接下来，我们可以使用训练集 `train_set` 来训练模型，具体的训练过程依赖于您选择的算法和库。最后，使用测试集 `test_set` 和给定的图片 `image` 来测试训练好的模型，判断图片是否属于员工或陌生人。

请注意，上述代码中的 `employee_set` 是一个示例，您需要将其替换为您实际的员工数据集。此外，模型的训练和判断逻辑需要根据您选择的算法和库进行具体实现。