有人能推荐在机器学习中，训练数据和测试数据的最佳划分比例吗？如果我将训练和测试数据按30-70的比例划分，会有什么缺点？

回答：

遗憾的是，没有一种“正确”的数据划分方法，人们使用不同的数值，这些数值是基于不同的启发式方法、直觉以及个人经验/偏好选择的。一个好的起点是帕累托原则（80-20）。

有时候，简单划分并不是一个选项，因为你可能有太多的数据——在这种情况下，你可能需要对数据进行抽样，或者如果你的算法计算复杂度高，则使用较小的测试集。一个重要的部分是随机选择你的数据。权衡非常简单：测试数据较少 = 你的算法性能的方差会更大。训练数据较少 = 参数估计的方差会更大。

对我个人来说，比划分的大小更重要的是，你显然不应该总是在同一个测试划分上只进行一次测试，因为它可能会有偏见（你可能在划分上幸运或不幸）。这就是为什么你应该对几种配置进行测试（例如，你运行测试X次，每次选择不同的20%进行测试）。在这里，你可能会遇到所谓的模型方差问题——不同的划分会导致不同的值。这就是为什么你应该多次运行测试并平均结果。

使用上述方法，你可能会发现测试所有可能的划分很麻烦。一种公认的数据划分方法是所谓的交叉验证，正如你在维基文章中读到的，有几种类型（既有详尽的，也有非详尽的）。请特别注意k折交叉验证。