1.训练集(Training Set)
用于训练模型的数据集。训练集用来训练模型，拟合出数据分布规律，即确定模型的权重和偏置等参数，这些参数称为学习参数。
- 训练集使用多次
- 确定模型权重、偏置等学习参数
- 训练出（学习出）模型通常情况下，训练集是原始数据集的一部分，用于训练模型的参数。模型通过训练集来学习数据的特征，并产生一个模型，以便在之后的预测中使用。
通常情况下，训练集是原始数据集的一部分，用于训练模型的参数。模型通过训练集来学习数据的特征，并产生一个模型，以便在之后的预测中使用。
训练集的质量决定了模型的准确性，通常情况下，训练集越大，模型能够学习到的信息就越多，性能也会相应提升。
2.验证集（Validation Set）
用于验证模型性能的数据集。在模型训练过程中，验证集用来调整模型参数和超参数，以优化模型性能，避免过拟合，即验证集用于模型选择，并不参与学习参数的确定，而是为了选择出模型误差较小的模型参数和超参数。
- 验证集使用多次
- 调整并选择模型参数和超参数
- 选择模型（验证模型性能）
它通常是从原始数据集中划分出来的，用于在训练过程中调整模型的参数和超参数，以提高模型的性能。验证集的作用是帮助开发人员调整模型，避免模型过拟合或欠拟合。
训练时，模型会不断地在训练集上进行迭代和优化 。然而，仅仅依赖训练集上的性能来评估模型的好坏是不够的。因为模型可能会过度拟合训练集中的数据，导致在未知数据上的性能下降。这时，验证集就派上了用场。
通过将模型在验证集上进行测试，我们可以得到模型在未知数据上的性能评估结果。这个结果可以帮助我们判断模型是否出现了过拟合或欠拟合的情况，并据此调整模型的参数和结构。
验证集还可以用于选择最佳的超参数组合。在模型训练过程中，我们通常需要调整一些超参数（如学习率、批次大小等）来优化模型的性能。通过在不同的超参数组合下训练多个模型，并在验证集上进行评估，我们可以找到最佳的超参数组合，从而进一步提升模型的性能。
3.测试集（Test Set）
用于评估模型性能的数据集。在模型训练完成后，测试集用来评估模型的泛化能力（泛化能力即模型在未知数据上的表现），即测试集仅在训练完成后使用一次，评价最终模型的效果（其实，测试集可以跑多个epoch）
- 不参与学习参数过程，也不参与超参数选择过程
- 测试集仅使用一次，完全独立，测试集未参与过训练或验证
- 评价最终模型
它通常是从原始数据集中划分出来的，与训练集和验证集互不重叠。测试集的作用是评估模型在未见过的数据上的性能，并判断模型是否足够准确和鲁棒。
测试集作为一个完全独立的数据集，可以帮助我们检验模型是否真正具有泛化能力，避免因为过度适应验证集而导致的性能偏差。
4.数据集的应用
在实际应用中，数据集通常被划分为训练集、验证集和测试集三个部分，划分的比例取决于具体问题和数据集的大小。一般来说，训练集的比例较大，通常占总数据集的60%-80%；验证集的比例较小，通常占总数据集的10%-20%,测试集的比例也较小，通常占总数据集的10%-20%。数据集的划分是机器学习中非常重要的一步，它可以帮助开发人员评估和改进机器学习模型的性能，同时还可以避免过度拟合和欠拟合等问题。
5.综述
训练集像平时日积月累的学习，验证集像知识查漏补缺的模拟考试，测试集是评价模型最终性能的高考。