做机器学习项目时，常听到“用回归模型跑一下”，接着就是分训练集、测试集。听起来挺技术，其实跟做饭前尝咸淡一个道理——总得先试几口，再上桌。
训练集是“练手”的数据
就像学开车要先在空地练倒车，训练集就是模型“练手感”的地方。给它一堆已知输入和输出的数据，让它自己摸索规律。比如预测房价，把房子面积、地段、年份这些信息喂进去，告诉它实际成交价是多少，模型慢慢调整内部参数，直到能大致猜准。
测试集是“期末考试卷”
练得差不多了，就得考一场。测试集里的数据模型之前没见过，专门用来检验它学得怎么样。如果训练时准确率95%，一测发现只有70%，那说明模型可能“死记硬背”了训练数据，遇到新题就懵，也就是常说的过拟合。
这种划分不是瞎分。常见做法是按7:3或8:2的比例切数据。Python里用scikit-learn几行代码就能搞定：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)这里的X是特征，y是目标值，test_size设成0.2就是留20%当测试集。random_state保证每次分的结果一样，方便复现。
别拿测试集“作弊”
有人图省事，把测试集也拿来调模型参数，结果模型在测试集上表现特别好，一上线就翻车。这就像老师把考题提前给了学生，分数再高也没意义。测试集必须严格保密，只用于最终评估。
实际项目中，有时还会再分出一个验证集，专门用来调超参数。这样三套数据各司其职：训练集学知识，验证集调策略，测试集看真本事。
数据划分看着简单，但直接影响模型能不能落地。与其等上线后发现问题，不如一开始就划清楚边界。”,"seo_title":"回归模型中的训练集与测试集划分技巧","seo_description":"了解回归分析中训练集和测试集的作用及正确划分方法，提升模型泛化能力，避免过拟合问题。","keywords":"回归,训练集,测试集,数据划分,机器学习,模型评估,过拟合"}