關於資料集

在機器學習（Machine Learning, ML）中，為了讓 AI 學習得更好，我們通常會把數據分成 3 個部分：

1️⃣ 訓練集（Training Set） → 讓 AI 學習的資料 📚
2️⃣ 驗證集（Validation Set） → 調整 AI 參數的資料 ⚙️
3️⃣ 測試集（Test Set） → 檢查 AI 最終準確率的資料 🎯

📌 1. 訓練集（Training Set）

📌 「讓 AI 學習」的數據

• 訓練集是用來訓練機器學習模型的資料
• AI 會讀取這些數據，找出規律、學習模式

📌 舉例（訓練 AI 分辨貓狗）

• 數據： 5000 張 標記為「貓 🐱」或「狗 🐶」的圖片
• AI 學習： 「耳朵尖 + 鬍鬚長 = 貓」，「耳朵圓 + 鼻子大 = 狗」

💡 訓練集的比例通常是 60%~80%，用來讓 AI 訓練自己。

📌 2. 驗證集（Validation Set）

📌 「幫助 AI 調整」的數據

• 驗證集用來微調 AI 的參數，確保 AI 沒有過度記住訓練集（Overfitting）
• 訓練時，AI 會用這些數據來測試不同參數的效果，找出最好的設定

📌 舉例（調整 AI）

• 如果 AI 只記住訓練集，遇到新圖片時就無法正確判斷
• 驗證集可以幫助 AI 調整參數，讓它在新數據上表現更好

💡 驗證集的比例通常是 10%~20%，用來調整模型的超參數（Hyperparameters）。

📌 3. 測試集（Test Set）

📌 「檢查 AI 最終準確率」的數據

• 測試集是用來評估 AI 最終表現的資料
• AI 不能看過測試集的數據，這樣才能知道它是否真正學會規律

📌 舉例（檢查 AI）

• 數據： 1000 張 AI 從未見過的貓狗圖片
• AI 預測： 這些圖片是貓還是狗？
• 計算準確率： AI 的結果和正確答案比對，看看答對多少

💡 測試集通常佔 10%~20%，只在最後用來檢查模型準確度。

📌 4. 觀念整理

資料集	用途	使用時機	常見比例
訓練集（Training Set）	讓 AI 學習數據的規律	訓練模型	60%-80%
驗證集（Validation Set）	微調 AI 參數，避免過度記憶	訓練過程中測試不同參數	10%-20%
測試集（Test Set）	最終評估 AI 的準確率	訓練完後，檢查 AI 是否真的學會	10%-20%

📝 5. 總結

✔ 訓練集（Training Set） → 讓 AI 學習 📚
✔ 驗證集（Validation Set） → 幫 AI 調整 ⚙️
✔ 測試集（Test Set） → 最後檢查 AI 🎯

📌 機器學習的核心目標，就是讓 AI 在「測試集」上表現良好，而不是只會在「訓練集」上答對！🚀🔥