训练集测试集和验证集是同一组数据吗

### 训练集、测试集和验证集的区别与使用场景

在机器学习实践中，训练集、测试集和验证集各自扮演着不同的角色，并且通常不应是同一组数据。

#### 定义与作用

- **训练集 (Training Set)** 被用来训练模型参数。通过调整这些参数使得模型能够尽可能好地拟合训练样本所代表的模式[^2]。

- **验证集 (Validation Set)** 主要用于调优超参数以及防止过拟合现象的发生。它帮助开发者选择最佳配置选项，在此过程中不会影响最终评价指标的真实性[^4]。

- **测试集 (Test Set)** 则完全独立于上述两个集合之外；其目的是提供一个公正无偏倚的方式去衡量经过充分优化后的算法性能表现。这意味着一旦确定了模型架构及其对应的最优设定之后，就不再允许依据该部分反馈做任何更改操作[^1]。

#### 归一化处理原则

当对特征进行预处理如标准化时（即均值为零，标准差为单位），应当始终基于训练集中统计得到的信息来进行变换计算。具体而言：

- 对于新加入的数据点——无论是属于验证阶段还是正式投入使用前的最后一轮检验环节中的实例对象——都应采用之前已经固定下来的转换规则实施相同的操作流程，而不是重新估算新的中心位置或尺度因子。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(X_train)

X_train_scaled = scaler.transform(X_train)
X_val_scaled = scaler.transform(X_validation)
X_test_scaled = scaler.transform(X_test)

这样做可以确保整个建模过程的一致性和稳定性，同时也避免了潜在的信息泄露风险，因为如果利用到了未来才会知晓的知识，则会破坏原本应有的因果关系链条结构[^5]。