通常，不会在训练模型的相同数据上 对模型进行评估。因为，随着训练的进行，模型在训练数据上的性能始终在提高，但在前所未见的数据上的性能则不再变化or开始下降。
机器学习的目的是得到可以泛化的模型，即在前所未见的数据上表现很好的模型，所以，如何可靠地衡量模型的泛化能力非常重要，下述内容主要介绍如何衡量模型的泛化能力！
此外，提升模型泛化性的难点是过拟合，后续会介绍！
评估模型时，将数据划分成3个集合：train/valid/test。
train：在该数据集上，训练模型；
valid：在该数据集上，评估模型；
test：一旦找到了最佳参数，就在该数据集上，最后测试一次。
（1.）在开发模型时，总是要调节模型配置，比如层数、每层大小(超参数)，这个调节过程要用模型在valid数据上的性能 作反馈信号，该过程本质是一种学习：在某个参数空间中，寻找良好的模型配置。
（2.）所以，基于模型在valid上的性能 调节模型配置，很快会使模型在valid上过拟合，即使 你没在valid上直接训练模型 也会如此。造成这一现象的关键是信息泄露：每次基于模型在valid上的性能调节模型超参数，都有一些关于valid的数据信息泄漏到模型中。
（3.）即使最后得到的模型在valid上的性能很好，因为这正是你优化的目的；而我们关心的是 模型在全新数据上的性能，而不是在valid上的性能。因此，需要用一个完全不同的、前所未见的数据来评估模型，即test数据集。
（4.）你的模型一定不能读取与test数据有关的任何信息，即使是间接读取也不行 。如果基于test数据的性能 调节模型，那么对泛化能力的衡量是不准确的 。
（1.）最简单的留出验证
一旦调节好超参数，就在所有非test数据上，从头开始训练最终模型。
该评估方法的缺点：如果可用的数据很少，则valid和test数据包含的样本就太少，无法从统计学上代表数。
具体通过实验 发现该问题的方式：如果再划分数据前 进行不同的随机打乱，最终得到的模型性能差别很大，就存在这个问题。
（2.）K折验证
为了解决上述 不同划分“trian-test”得到的模型性能变化很大 的问题，引入“K折验证”。
K折验证，即将数据划分成大小相同的K个分区，对每个分区i，在剩余的K-1个分区上训练模型，然后在分区i上评估模型。最终分数=K个分数的平均值。
K个模型train训练+valid评估，得到最优超参数；
用该超参数，在train+valid上 再训练一个模型M；
用模型M 在test上做评估！
（3.）带有打乱数据的重复K折验证
做法：多次使用K折验证，在每次将数据划分为K个分区之前，都先将数据打乱。最终分数是每次K折验证分数的平均值。
通常，要求train和test都能代表当前数据，所以，划分数据集前，应该随机打乱数据；以免出现mnist数据集train只包含1-7的数字，test只包含9的数字，这种可笑错误。
如果想要根据过去 预测未来，则划分数据时 不应该随机打乱数据，因为打乱会造成时间泄漏：你的模型将在未来数据上 做训练。该情况，应该确保test数据的时间 都晚于train数据。
数据中的某些样本 出现了多次，则打乱数据 并划分train/valid会导致两个数据集间的数据冗余，就会出现在部分train数据上评估模型性能效果的问题。即一定要确保train和valid间 没有样本交集。