在数据挖掘中，需要划分数据集常用的划分测试集和训练集的划分方法有

常用的数据集划分方法有以下几种：

1. 随机划分：将数据集随机划分为训练集和测试集。这种方法简单易行，但可能会导致训练集和测试集的数据分布不均衡。

2. 分层抽样划分：保证训练集和测试集中各类别数据的比例相同。这种方法适用于类别样本数量差别较大的数据集。

3. 时间序列划分：将数据集按时间顺序排序后，将前一部分作为训练集，后一部分作为测试集。这种方法适用于时间序列数据的挖掘。

4. K折交叉验证：将数据集分成K个子集，每次将其中一个子集作为测试集，剩下的K-1个子集作为训练集，重复K次，最终得到K个模型的性能评估结果。这种方法可以更好地评估模型的泛化能力。

5. 自助法：从原始数据集中有放回地采样m次，得到m个样本集，每个样本集包含n个样本。然后用每个样本集训练一个模型，再对m个模型进行测试和评估。这种方法适用于数据集较小，难以划分训练集和测试集的情况。