[科普中国]-训练数据

训练数据(Train Data)即数据挖掘过程中用于数据挖掘模型构建的数据。在数据挖掘过程中，除了训练数据还有测试数据(Test Data)，即用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。验证数据（Validation Data）：可选，用于辅助模型构建，可以重复使用。当数据集较小，会采用一些方法来来弥补这个缺点，如自助法。

数据挖掘（Data mining）是一个跨学科的计算机科学分支。数据挖掘有以下这些不同的定义：

“从数据中提取出隐含的过去未知的有价值的潜在信息”1，

“一门从大量数据或者数据库中提取有用信息的科学”。

数据挖掘运行是使用数据挖掘的设置对数据挖掘模型的计算。数据挖掘标准依据数据挖掘技术可 处理运行的过程，提出并规范了通常所用的四个计 算阶段：

(1)训练阶段(training phase)： 2这是所有数据挖掘技术公用的，用于计算数据挖掘模型的阶段。该 阶段在建立模型前需要准备数据并做预处理。在预 处理时要定义识别字段分配给有关的信息，如挖掘 类型和特定的控制字段。在分类和回归技术中用的 训练阶段还要有一个确认处理，称确认阶段，作为 数据挖掘分类和回归技术训练阶段的一部分。它给数据挖掘模型输入另外的数值组，可作为测试阶段 的描述，其结果作为实例以决定运算法则结束时间。

(2)模型自查阶段(model introspection phase)： 也是所有数据挖掘技术普遍使用，用以解释和评估 模型。将模型与目标一起细查，揭示训练阶段中数 据的相关性，以期达到两个目的： ①找出数据中潜 在的规律，有助于进一步解释模型; ②找出有统计 价值的特性，有助于评估模型的质量。

(3)测试阶段(testing phase)： 只用于分类和回 归。测试时为模型的对象字段读入系列数值组，在 应用中评估每个数值组，将预测数值和对象字段里 的实际数值做比较，其结果可为使用者或应用提供 实例，以此决定模型以质量为基础能否应用于实际。

(4)应用阶段(application phase)： 模型应用期间 输入数据组用来评估模型，或用较多的数据组来计 算模型。为了能正确地使用模型的输入值，必须将 其分配到训练阶段确认的相关字段中。一个预定课 题的模型应用，产生一个表可以控制相关的其他课 题。模型由一个或多个规则的特定输入而得出推论， 推论结果可与附加特性一并提交。特定情况下，推 论是对模型可信度的支持。

这几个阶段不是一次完成的，数据挖掘运行当 包括训练阶段时调用训练阶段运行，当包括测试阶 段时调用测试阶段运行。其中某些阶段要反复多次， 各项功能也不是独立实现的，有时要几种方法互相 联系才能发挥作用。

自助法由Bradley Efron于1979年在《Annals of Statistics》上发表。是以自助采样(bootstrap sampling)为基础。给定包含m个样本的数据集D，我们对它进行采样产生数据集 D′：每次随机从D中挑选出一个样本，将其拷贝放入D′, 然后再将该样本放回初始数据集D中，使得该样本在下次采样时仍有可能被采样到；这个过程重复执行m次后，我们就得到可包含m个样本数据的数据集D′，这就是自助采样的结果.样本在m次采样中始终不被采到到概率为

由此可知通过自助采样，初始数据集D中约有36.8%的样本未出现在采样数据集D′中。于是我们可将D′ 用作训练集，D∖D′用作测试集。

优缺点：自助法在数据集较小，难以有效划分训练/测试集时很有用，但是，自助法改变了初始数据集的分布，这会引入估计偏差，所以在数据量足够时，一般采用留出法和交叉验证法。3