备注
主要内容是如何选择一个评估的实验方法，可以通过该实验方法对学习器的的泛化误差进行评估。实际情况中，我们通过实验测试来对学习器的泛化误差进行评估，对于样本数据D，如何将D划分为训练数据S和测试数据T，从而来训练并且进行泛化误差估计，就是本节的主要内容
一、基本概念
1、训练集 S
训练集就是在模型训练时，学习器用来学习的数据集
2、测试集 T
测试集就是在模型训练后，用来测试学习器对新样本的判别能力的数据集。
训练集和测试集中的数据，都是从真实分布中独立同分布选出来的，并且训练集和测试集尽量不要有交集。
3、最终模型
经过模型训练和测试以后，训练的结果达到了预期的要求，此时需要按照此时的算法参数和内容，对整个数据集D重新进行学习，得到的最终的模型才是用户需要的最终模型。
二、留出法
1、基本思想：
留出法就是直接将数据集D划分两个互斥的集合，其中一个为S，一个为T。在S上训练出模型之后，用T进行评估和测试。
2、方法论：
从样本采样的脚本看，由于训练样本包含多种特征，因此在进行留出法分类时，要考虑分层采样原则，从而保留样本的类别比例。（比如按照正负样本数目进行分层采样）
从样本分割的角度看，按照分层之后的数据内容进行训练，每一类都会有不同的结果，因此，单次训练的结果往往不够稳定可靠，建议通过若干次随机划分、重复试验评估后取平均值作为最终的评估结果。
3、不足之处
当S过大时，T过小，此时无法通过T进行预测的结果不够稳定和准确；当S过小，T过大的时候，会出现欠拟合现象，导致学习机的效果不好。
一般的是按照分层抽样，每一层2/3~~4/5的样本数据作为训练集S.
三、交叉验证法
1、基本思想
将整个数据集D划分为k个大小相等的互斥子集（通过分层采样划分），然后，将k-1个子集作为训练集S，剩下的一个作为测试集T；总共可以获得k组<训练集/测试集>，从而进行k次训练和测试，最终返回的是k次测试的结果的均值。
2、方法论
与留出法很像，为了降低因为划分方式的不同而引入的差别，通常情况下，对进行p次的随机划分，每一次随机划分会进行k次的训练和验证，所以总共会进行p次k折交叉验证。
3、不足之处
特别的，如果数据集D的大小为m，并且k=m，那么此时测试集T只有一个样本，即为留一法。
留一法不受数据集划分的影响，并且由于训练集较大，留一法的训练模型也很接近D训练的模型，但是该方法在数据集较大的时候，计算开销太大了。
四、自助法（bootstrapping）
1、基本思想
有放回的随机采样。假设数据集D有n个样本，那么每次随机从D中挑选出一个样本，放入D`，并将样本放回至D，经过n次以后，D`中会有n个元素，即为自主采样的训练样本集S。
其中，D`中会出现重复的样本，没有出现的样本即作为测试样本集T
2、方法论
样本在n次采样中都不会被选中的概率为大约0.38，即意味着测试集中有38%的未训练过的样本
3、不足之处
在数据集D个数比较小，难以有效划分训练集的时候，可以使用自助法，但是自助法产生的数据集会有重复，这就改变了初始的数据集的分布，所以当数据集较大的时候，不建议使用。
