训练集 验证集 测试集 比例怎么分

做数据准备时最容易卡在划分这一步：全丢进去训练怕过拟合，留太少又怕验证结果不可信。这篇按数据量档位给划分思路，讲清验证集和测试集各自该留多少、什么时候要分层抽样、小数据量下怎么靠交叉验证救场，并给出可照着执行的划分顺序。

数据划分卡住的时候，一般不是不知道三类集合是干嘛的，而是不知道手上这批数据该按几比几切。切得太极端，验证集只有几十条，跑两次指标差一大截，根本分不清是模型变了还是运气变了；切得太保守，训练集又不够喂。所以比例不是拍出来的，是按数据量档位和绝对条数反推出来的。

这篇按规模讲比例怎么取，也给一套能照着走的划分顺序。先提醒一句：下面提到的区间只是经验起点，你项目里具体用哪个值，建议到站内的资料库页面核对同类任务的常见配置，再结合自己的绝对条数定。

先把三类数据集的分工说清

训练集

参与参数更新，模型从这里学规律

验证集

训练过程中用来做选择：调超参、选轮次、触发早停

测试集

只在最后用一次，用来估计上线后的真实水平

关键点在于「被反复看过就不干净了」。验证集你看了几十次、每次据此改一点东西，它就已经被间接拟合了，这时候再拿它当测试集报结果，通常偏乐观。测试集一旦参与调参，它就从测试退化成了第二个验证集，你手里就没有干净的那把尺子了。

• 别把测试集丢进训练循环里逐轮评估，那是验证集的活
• 数据清洗要在切分之后各自独立做，先全局标准化再切分，就是把测试样本的统计量泄漏进了训练
• 同一个样本的增强版本、同一文档的不同段落，别一半进训练一半进测试
• 验证集和测试集都要保留随机种子和切分脚本，否则下次实验没法对齐

按数据量档位定比例

比例的本质是让每个子集的绝对条数够用，所以先看量级再看百分比。数据越多，验证和测试的占比可以压得越小，因为同样占比对应的条数已经很多；数据越少，占比就得往上抬，宁可训练集少一点，也要保住评估的可信度。

分比例之前先做一道算术题：把百分比换成条数。验证集少于两三百条时，同一个模型跑两次的差距很可能只是噪声，别据此判断方案好坏。具体到你的任务多少条算够，可以到站内的模型资料库页面看看同类任务标注的数据规模做参照。

1. 定最低验证条数先写下这个任务验证集至少需要多少条才有统计意义，再拿它除以总数据量，倒推出比例下限
2. 算三份绝对条数按候选比例算出训练、验证、测试各多少条，检查测试集是否也够支撑一次最终评估
3. 留出余量训练集切完如果明显不够，宁可缩小测试集，也别把验证集压到几百条以下

划分顺序与分层要点

顺序错了，后面比例再讲究也白搭。基本流程是先去重和粗清洗，再切分，最后三个子集各自独立做标准化、分词、增强这类会用到全局统计或引入变形的操作。反过来做，信息就会从验证测试倒灌进训练。

• 分类任务按类别分层抽样，保证稀有类别在每个子集里都有样本，不然验证集里可能一条都没有
• 时间序列和推荐场景不能随机切，要按时间或用户维度切，随机切等于让模型看到未来信息
• 多模态或分组数据按组切，同一用户、同一文档、同一视频的片段整体进同一个子集
• 切完做一次分布体检：对比三个子集的标签分布、文本长度分布、来源分布，差太多说明切分有问题

# 分层切分前先看类别分布，切完再检查一遍
from collections import Counter
print(Counter(labels))
# 切分后分别统计 train / val / test 的类别计数，比对比例

分层抽样对稀有类别尤其重要。假设某个类别在全集里只有几十条，随机切很可能验证集里只剩个位数，这时候验证指标基本没有参考价值。分层能把它按比例摊到三个子集里，代价只是实现上多几行代码。

什么情况下这套比例不适用

上面那套思路默认你是有监督任务、样本之间比较独立、数据量不至于太少。这几种前提不成立的时候，比例数值本身要让位于切分方式，硬套公式反而会误导判断。

小数据场景还有个附加注意点：交叉验证的结果解读方式和大数据不一样。K 折的每一折都在同一批数据上轮换，折与折之间并不独立，别把折间均值和标准差的含义直接套成「模型上线表现」。

可执行划分清单

把下面的顺序走一遍，基本能覆盖划分环节的常见坑。每一步都留痕，后续换模型、换特征时沿用同一套切分，才能做横向对比。

1. 定评估口径写清楚验证集和测试集分别回答什么问题，并约定测试集只允许用一次
2. 按绝对条数反推比例先定验证集最少要多少条，倒推百分比，再检查训练集是否够用
3. 执行切分并落盘输出训练、验证、测试三个文件，记录随机种子和切分脚本，保证可复现
4. 做分布体检和泄漏检查对比三个子集的分布，排查重复样本和跨子集同源样本
5. 写进实验记录把划分方案固定下来，后续实验沿用同一套切分做对比