测试集
Test Set
学到 会用 就够：能亲手用起来
你可能会说
“我评估访谈分类模型时，为什么要把最后的测试材料单独留到最后？”
测试集在模型和方案确定之后用于评价未见资料上的表现。若用测试结果继续挑模型或改规则，它就参与开发，分数便不再代表同样程度的独立检验。
使用 AI
科研里的例子
固定政策分类模型后，才打开另一年度整份文件的人工标签，报告各类别漏判，而不是测后再把难例改成训练资料。
测试集的价值来自它与选择过程的隔离，而不仅是文件名叫 test。它的样本范围、类别分布和标注质量决定了可支持的外推。随机留出可能估计同分布表现，却不能自动代表跨时期、跨地区或更难材料。报告时应交代测试样本量、划分单位、指标和不确定性，并明确哪些结论只适用于这批资料；小测试集中的几个百分点差异可能只是抽样波动。
判断
亲手检查一次
查一个测试错误后先记录，不立即据此改模型；若必须修改，把本次测试转为开发证据，并准备新的独立检验。
它做不到的
测试独立性不能仅靠随机切分证明；同文不同段、同来源模板和时间穿越都可能破坏它，外推仍需任务判断。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
- Google · Datasets: Dividing the original dataset2026-11-06 核对
- scikit-learn · Common pitfalls and recommended practices2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。