一、总结
一句话总结：验证集的作用就是为了调整超参数
1、超参数？
【超参数的值不是学习出来的】：大多数机器学习算法都有超参数，可以设置来控制算法行为。超参数的值不是通过学习算法本身学习出来的。
【超参数如果学习太难优化】：有时一个选项被设为学习算法不用学习的超参数，是因为它太难优化了。更多的情况是该选项必须是超参数，是因为它不适合在训练集上学习。
【超参数是我们自己设定的】：这适用于控制模型容量的所有超参数。如果在训练集上学习超参数，这些超参数总是趋向于最大可能的模型容量，导致过拟合。
2、如何解决超参数设置的问题？
【验证集样本】：为了解决解决超参数设置的问题，我们需要一个训练算法观测不到的验证集样本。
3、测试集不能帮助改善超参数？
【测试样本不能以任何形式参与到模型的选择之中，包括超参数的设定】：测试集可以用来估计学习过程完成之后的学习器的泛化误差，其重点在于测试样本不能以任何形式参与到模型的选择之中，包括超参数的设定，基于这个原因，测试集中的样本不能用于验证集。
【验证集帮助改善超参数】：因此，我们总是从训练数据中构建验证集。用于估计训练中或训练后的泛化误差，更新超参数。
4、模型超参数一般有哪些？
例如学习速率和特征等等
5、验证集是验证还是训练？
训练集用于训练模型的参数，验证集用于训练模型的超参数。不同超参数（hyper-parameter）组合，就对应着不同的潜在模型。验证集上跑的，实际上是一个模型集合，验证集的存在，就是为了从这一堆可能的模型中，找出表现最好的那个。
6、超参数重要性？
超参数包括训练轮数，学习速率等等。如果一个模型，训练数据比别人多得多，效果就会很好（参数训练的很到位），但是模型的架构（超参数设定）未必比别人好。
7、为什么不能在训练集上训练超参数？
好比训练轮数（epochs），在同样的训练集上，训练3轮和训练10轮，结果肯定是不一样的模型。它们的参数并不相同。那么到底是训练3轮好，还是10轮好？或者二者都不好，应该训练6轮？这种决策，只能在训练后，在验证集上见分晓。一般训练几个 epoch 就跑一次验证看看效果，如果发现训练3轮效果更好，那么就应该丢弃掉训练6轮、10轮的潜在模型，只用训练3轮的结果。
再好比网络层数，在训练集上训练的时候肯定是层数越多，拟合效果越好。如果你这样选出你的模型，在验证集上的效果肯定是差很多，这就是过拟合啦。所以必须从训练样本中取出一部分样本，即验证集，让模型训练的过程看不到这些样本，然后评估模型在这一部分样本中的表现，最终选出合适的网络层数。
其他的超参数选取，你也可以举一反三。总之就是按照验证集的效果，来选超参数，从而决定最终模型。
总结一下：在验证集上相当于手动调参（在训练集上是通过误差逆传播自动调参）
下一步，把模型交给测试集去检验。测试集应该既不同于训练集，又不同于验证集。至于这个最终选择模型，在测试集上表现如何，没人能打包票。就像你模拟考试考得很好了，高考也可能翻车。
怎样划分验证集
怎么设定验证集，划分多少数据做验证，其实是每个研究者需要独立作出的决策，不应该强行设定为一致。
10折交叉验证（10-fold Cross Validation）
选择固定训练集和测试集可能会出现划分偏差
因此将数据集随机分成10份，使用其中9份进行训练而将另外1份用作测试。该过程可以重复10次，每次使用的测试数据不同。
好处一是随即划分减小误差，二是每次采用90%的训练数据而不是2折交叉验证中仅仅50%的数据。
二、超参数和验证集
大多数机器学习算法都有超参数，可以设置来控制算法行为。超参数的值不是通过学习算法本身学习出来的。
有时一个选项被设为学习算法不用学习的超参数，是因为它太难优化了。更多的情况是该选项必须是超参数，是因为它不适合在训练集上学习。这适用于控制模型容量的所有超参数。如果在训练集上学习超参数，这些超参数总是趋向于最大可能的模型容量，导致过拟合。
为了解决这个问题，我们需要一个训练算法观测不到的验证集样本。
测试集可以用来估计学习过程完成之后的学习器的泛化误差，其重点在于测试样本不能以任何形式参与到模型的选择之中，包括超参数的设定，基于这个原因，测试集中的样本不能用于验证集。因此，我们总是从训练数据中构建验证集。特别地，我们将训练数据分成两个不相交的子集。其中一个用于学习参数。另一个作为验证集，用于估计训练中或训练后的泛化误差，更新超参数。用于学习参数的数据子集通常仍被称为训练集，尽管这会和整个训练过程用到的数据集相混。用于挑选超参数的数据子集被称为验证集。
使用测试集和训练集来推动模型开发迭代的流程。在每次迭代时，我们都会对训练诗句进行训练并评估测试数据，兵以基于测试数据的评估结果为指导来选择和更改各种模型超参数，例如学习速率和特征，这种方法是否存在问题？
存在，我们基于给定测试集执行评估的次数越多，不知不觉的过拟合该测试集的风险就越高。
将数据集划分为三个自己可以大幅度降低过拟合的发生几率。
该工作流程之所以更好，是因为它暴露给测试集的信息更少。
不断使用测试集和验证集会使其逐渐失去效果。也就是说，您使用相同数据来决定超参数设置或其他模型改进的次数越多，您对于这些结果能够真正泛化到未见过的新数据的信心就越低。请注意，验证集的失效速度通常比测试集缓慢。
如果可能的话，建议您收集更多数据来“刷新”测试集和验证集。重新开始是一种很好的重置方式。
文章出处登录后可见！
