你諗吓，要訓練一隻識分貓狗嘅模型，好似準備公開試：‣ 平時上課做練習（Training）‣ 考前做 Mock Paper（Validation）‣ 最後正式試場（Test）若果成日用同一本練習簿溫書又考試，你梗係 100 分，但一換題型即「爆燈」。數據切分就係避免「自我感覺良好」，確保模型真係識應付陌生場景。

1️⃣ 三份數據，各司其職

訓練集：上課兼做功課

最多料嗰份，畀模型日日「抄黑板」。例如：

• Uber 用過去三年行車紀錄教車隊預估到達時間。

• 醫院收集十萬張 X 光片訓練腫瘤偵測模型。

• Spotify 用十億次播放紀錄訓練歌曲推薦。

驗證集：模擬試場，專門調參

唔參與學習，只負責「畀分」。調整嘅物件包括：

• 學習率應該 0.001 定 0.01？

• 用 3 層定 5 層？

• 應該加 Dropout 定 Batch-Norm？

  
  

  例子：

• Netflix A/B Test 兩個推薦算法，用同一批活躍用戶做驗證；

• 信用卡反詐部門用最新一星期交易作驗證，逐日調閾值。

測試集：正式會考，只考一次

訓練完、調參完先打開，好似密封卷。真正反映泛化能力。分享到公司週報、論文、Kaggle Leaderboard 都睇呢份分數。實例：

• 自動駕駛公司用全新城市嘅路況影片做 Test；

• 語音助手用另一批從未出現過嘅口音做 Test。

2️⃣ 不同數據量，點樣斬？

資料多時，拎 1% 已經夠幾萬筆，統計可信；資料少，寧願縮細測試集，但最少留 50–100 筆做最終評分。

3️⃣ 分布要一致：千祈唔好「高考考英文小說」

如果訓練用單鏡頭高清貓相，測試用夜景手機渣圖，分數一定跳水——叫做 distribution mismatch。現實事故：

• 某醫院用白人病人影像訓練皮膚癌檢測，結果對深色皮膚病人失準。

• 零售商在城市分店收集數據訓練庫存預測，拿去農村店一用即爆倉。

解法：

1. 同樣來源拍攝、同樣解析度；

2. 若要跨域，先用 Domain Adaptation 或 Data Augmentation 把差距縮細。

   
   

4️⃣ 冇 Test 得唔得？得，但講清楚名份

早期原型只切 Train/Val，時間省，但唔能叫 Val 做 Test。否則：

• 老闆睇 KPI 以為 95% 精度已可上線，結果實際只得 70%。

• 研究論文被挑機：你啲 Test 其實早用嚟調參，唔夠客觀。

Rule of thumb：

• 參數未鎖定前，數據叫 Validation；

• 真正發 Press Release／發表 paper 前，必備獨立 Test。

5️⃣ 進階話題：K-Fold、時間序列、資料偏斜

1. K-Fold Cross-Validation適合少量數據：將全部資料切 K 份，輪流做 Train/Val，最後平均分。好似 10 人接力跑，每人跑九段訓練、一段驗證。

2. 時間序列切分股票、天氣預測唔能亂 shuffle，要保留時序：Train(2018-2021) → Val(2022Q1) → Test(2022Q2)

3. 不平衡資料詐騙 0.1%，正常 99.9%，隨機切分可能 Test 集根本冇詐騙樣本。需用 Stratified Sampling 保證每份集都包含少量正例。

   
   

6️⃣ 真實案例速覽

• 手機打字自動更正‣ Train：歷史鍵盤輸入 2 億行‣ Val：最新 1 天用戶樣本‣ Test：下星期發布前，抽另一日全量測試

• 農業無人機病蟲害偵測‣ Train：晴天高清航拍‣ Val：同一季陰天航拍‣ Test：下一季新田地，驗證跨季泛化

• 保險索賠欺詐檢測‣ Train：2019–2021 索賠記錄‣ Val：2022 Q1‣ Test：2022 Q2 特別挑選大型災害期間索賠，檢視最極端情況

✅ 小結：切分係 AI 專案嘅「防呆鎖」

1. Train：讓模型「讀書」。

2. Val：隨時測試調姿勢，防止「讀死書」。

3. Test：最後驗收，確保出得廳堂。

   
   

保持分布一致、比例合理、命名清晰，就算數據狂風暴雨，模型都企得穩。掌握呢幾招，你就踏入專業 Data Scientist 嘅門坎，可以放心同老闆、評審、用戶交代——「呢個分數，真材實料！」📊🚀