训练集和测试集和验证集的数量比例

### 合理分配训练集、验证集和测试集的比例

在机器学习项目中，合理划分数据集对于构建有效模型至关重要。通常情况下，推荐的数据集划分比例取决于可用数据总量以及特定应用场景的需求。

当拥有充足的数据样本时，一种常见做法是采用70%-15%-15%这样的比例来拆分原始数据集合[^4]。这意味着：

- **训练集**占据最大份额（约70%），因为更多的样例有助于提高模型的学习效果；
- **验证集**大约占到总数据量的15%，用于优化超参数并检测潜在过拟合现象；
- 剩下的**测试集**同样约为15%，专门用来最后阶段全面检验模型的真实世界适用性和泛化水平。

然而，在某些特殊情形下，比如面对非常庞大的数据集或是相对较小规模的数据源，则可能需要灵活调整上述建议比率。例如，对于大规模数据集而言，即便减少各部分所占比重也能保持足够的统计意义；而对于小型数据集来说，为了保证有足够的实例参与训练过程，可能会适当增加训练集比重至80%，相应降低其他两者的比例[^3]。

另外值得注意的是，除了静态的一次性切分方式外，还可以考虑使用诸如K折交叉验证(K-fold Cross Validation)等动态策略来进行更稳健可靠的性能估计。

from sklearn.model_selection import train_test_split

# 示例代码展示如何按照指定比例随机分割数据集
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.3, random_state=42)
X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)

print(f"Training set size: {len(X_train)}")
print(f"Validation set size: {len(X_val)}")
print(f"Testing set size: {len(X_test)}")