你需要了解何時應該使用三個資料集（訓練、驗證、測試），而不是兩個（訓練、測試）。如果你不會實際使用，就沒有必要多切一個資料集。
什麼情況下你應該考慮同時使用訓練、驗證，和測試資料集？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在開始驗證模型之前，你需要先了解如何建立並操作模型。本章將介紹如何在 scikit-learn 執行迴歸與分類模型。接下來各章都會以這套建模基礎為依據。
本章聚焦於模型驗證的基本觀念。從將資料分成訓練集、驗證集與測試集，到理解偏差—變異取捨（bias-variance tradeoff），我們為第三章要練習的 K-Fold 與 Leave-One-Out 驗證技術打下基礎。
當前練習
保留集是一個很好的模型驗證起點。然而，只用單一訓練集與測試集往往不夠。交叉驗證被視為評估模型效能的黃金標準，幾乎在調整模型超參數時都會使用。本章重點在於執行交叉驗證來驗證模型效能。
前面三章著重在模型驗證技巧。第 4 章會把這些技巧（特別是交叉驗證）用在學習超參數調校。畢竟，有了模型驗證，才能進行調校並幫助你選出整體最佳的模型。
