针对你已经预留10%数据作为测试集的情况，咱们来聊聊训练集和验证集怎么分配才合适。其实没有绝对的“最优”比例，但有一些经过实践验证的经验和关键考量因素，能帮你找到最适配自己任务的方案。

一、通用经验比例参考 #

• 如果你的总数据集规模较大（比如10万条以上）：验证集占10%-15%就足够。数据量够大时，哪怕验证集小一点，也能稳定反映模型的泛化能力，剩下的80%-85%都给训练集，让模型学到足够多的真实模式。
• 如果你的数据集规模中等（1万到10万条）：经典的80/10/10或者70/20/10（训练/验证/测试）组合都很实用，也就是验证集占10%-20%。这个比例在绝大多数回归任务里，都能很好平衡训练数据量和验证结果的可靠性。
• 如果你的数据集很小（不足1万条）：别吝啬验证集的占比，但也不能让训练集太少——可以试试60/30/10，甚至50/40/10的划分。另外这种场景下，更推荐用k折交叉验证（比如5折或10折）代替单一的验证集划分，能充分利用有限的数据，得到更稳定的模型评估结果。

二、需要重点考量的关键因素 #

• 数据分布一致性：务必保证验证集的分布和训练集、测试集尽可能一致。如果你的数据有明显分组（比如按时间、样本来源划分），别用随机划分，改用分层划分或者按时间序划分，避免验证集无法代表真实的测试场景。
• 模型复杂度：如果你的神经网络比较复杂（比如深度深、参数多），需要更大的验证集来监控过拟合——复杂模型更容易“记住”训练数据里的噪声，足够的验证数据能更准确判断模型是否真的学会了泛化。
• 任务精度要求：如果你的回归任务对精度要求极高（比如医疗、金融场景），建议用更大的验证集或者交叉验证，确保模型评估结果足够可靠，避免因为验证集的随机性导致误判。

三、实操小技巧 #

• 先从经典比例（比如80/10/10）开始尝试，训练时密切观察验证集的损失变化：如果验证集损失波动很大，说明验证集可能太小，可以适当增大；如果验证集损失稳定下降且和训练集损失差距不大，那当前比例就没问题。
• 划重点：绝对不要在训练过程中用测试集调参——测试集只能用来最终评估模型的泛化能力，否则会导致模型在测试集上的表现虚高，失去参考价值。

内容的提问来源于stack exchange，提问作者Jose Marques Junior