在機器學習和深度學習中，測試集的劃分比例需要根據數據量、任務類型和領域需求靈活調整。

---

1. 常規劃分比例

通用場景

• 訓練集 : 驗證集 : 測試集 = 60% : 20% : 20%
  適用于大多數中等規模數據集（如數萬到數十萬樣本），平衡了訓練數據量和評估的可靠性。

大數據場景

• 訓練集 : 驗證集 : 測試集 = 98% : 1% : 1%
  當數據量極大時（如百萬級以上），測試集比例可大幅降低，因為少量樣本已足夠評估模型性能（例如 ImageNet 使用約 120 萬訓練圖像，5 萬驗證圖像）。

小數據場景

• 訓練集 : 測試集 = 80% : 20%
  若數據量極小（如幾百到幾千樣本），可省略驗證集，直接劃分訓練集和測試集，并通過交叉驗證（如 K 折交叉驗證）調參。

---

2. 關鍵影響因素

數據量大小

• 數據量越大，測試集比例可越低（如 5%-10%），因為絕對數量已足夠保證統計顯著性。
• 數據量越小，測試集比例需更高（如 20%-30%），但可能犧牲訓練數據量，此時推薦交叉驗證。

任務復雜度

• 簡單任務（如二分類）：測試集比例可略低（10%-15%）。
• 復雜任務（如目標檢測、NLP）：測試集比例需更高（20%-30%），以覆蓋更多場景。

數據分布

• 類別不均衡：需采用分層抽樣（Stratified Sampling），確保測試集的類別分布與原始數據一致。
• 時間序列數據：按時間順序劃分（如訓練集用歷史數據，測試集用最新數據），而非隨機劃分。

---

3. 特殊場景與技巧

交叉驗證替代固定劃分

• 小數據集：使用 K 折交叉驗證（如 5 折或 10 折），將訓練集分為 K 個子集，輪流作為驗證集，最大化數據利用率。
• 示例：

  from sklearn.model_selection import KFold
  kf = KFold(n_splits=5)
  for train_idx, val_idx in kf.split(X):X_train, X_val = X[train_idx], X[val_idx]# 訓練和驗證
  

領域特定需求

• 醫學/金融數據：因數據獲取成本高，測試集可能僅占 10%-15%，但需確保樣本代表性。
• 自動駕駛/工業檢測：測試集需覆蓋更多邊緣案例（如罕見場景），比例可能提高到 25%-30%。

---

4. 經驗總結

數據量規模	推薦測試集比例	典型劃分方式
極小（<1k 樣本）	20%-30%	訓練集 + 測試集 + 交叉驗證
小（1k-10k 樣本）	15%-20%	訓練集 (70%) + 驗證集 (10%) + 測試集 (20%)
中等（10k-1M 樣本）	10%-15%	訓練集 (80%) + 驗證集 (10%) + 測試集 (10%)
大（>1M 樣本）	1%-5%	訓練集 (98%) + 驗證集 (1%) + 測試集 (1%)

---

5. 注意事項

1. 測試集的“不可見性”
   測試集僅用于最終評估，不可參與調參或模型選擇，否則會導致數據泄露，高估模型性能。
2. 數據增強的影響
   若對訓練集進行數據增強，測試集需保持原始分布，避免增強操作干擾評估結果。
3. 領域適配性
   在特定領域（如醫療、金融），測試集需包含與實際應用場景一致的樣本。

---

實際案例參考

• MNIST 手寫數字分類（6萬訓練樣本 + 1萬測試樣本）：測試集占 ~14%。
• ImageNet 圖像分類（128萬訓練圖像 + 5萬驗證圖像）：測試集占 ~3.7%。
• Kaggle 比賽：通常提供固定測試集（如 50% 數據），剩余用于訓練和驗證。