在机器学习和深度学习中，测试集的划分比例需要根据数据量、任务类型和领域需求灵活调整。

---

1. 常规划分比例

通用场景

• 训练集 : 验证集 : 测试集 = 60% : 20% : 20%
  适用于大多数中等规模数据集（如数万到数十万样本），平衡了训练数据量和评估的可靠性。

大数据场景

• 训练集 : 验证集 : 测试集 = 98% : 1% : 1%
  当数据量极大时（如百万级以上），测试集比例可大幅降低，因为少量样本已足够评估模型性能（例如 ImageNet 使用约 120 万训练图像，5 万验证图像）。

小数据场景

• 训练集 : 测试集 = 80% : 20%
  若数据量极小（如几百到几千样本），可省略验证集，直接划分训练集和测试集，并通过交叉验证（如 K 折交叉验证）调参。

---

2. 关键影响因素

数据量大小

• 数据量越大，测试集比例可越低（如 5%-10%），因为绝对数量已足够保证统计显著性。
• 数据量越小，测试集比例需更高（如 20%-30%），但可能牺牲训练数据量，此时推荐交叉验证。

任务复杂度

• 简单任务（如二分类）：测试集比例可略低（10%-15%）。
• 复杂任务（如目标检测、NLP）：测试集比例需更高（20%-30%），以覆盖更多场景。

数据分布

• 类别不均衡：需采用分层抽样（Stratified Sampling），确保测试集的类别分布与原始数据一致。
• 时间序列数据：按时间顺序划分（如训练集用历史数据，测试集用最新数据），而非随机划分。

---

3. 特殊场景与技巧

交叉验证替代固定划分

• 小数据集：使用 K 折交叉验证（如 5 折或 10 折），将训练集分为 K 个子集，轮流作为验证集，最大化数据利用率。
• 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]
      # 训练和验证
  

领域特定需求

• 医学/金融数据：因数据获取成本高，测试集可能仅占 10%-15%，但需确保样本代表性。
• 自动驾驶/工业检测：测试集需覆盖更多边缘案例（如罕见场景），比例可能提高到 25%-30%。

---

4. 经验总结

数据量规模	推荐测试集比例	典型划分方式
极小（<1k 样本）	20%-30%	训练集 + 测试集 + 交叉验证
小（1k-10k 样本）	15%-20%	训练集 (70%) + 验证集 (10%) + 测试集 (20%)
中等（10k-1M 样本）	10%-15%	训练集 (80%) + 验证集 (10%) + 测试集 (10%)
大（>1M 样本）	1%-5%	训练集 (98%) + 验证集 (1%) + 测试集 (1%)

---

5. 注意事项

1. 测试集的“不可见性”
   测试集仅用于最终评估，不可参与调参或模型选择，否则会导致数据泄露，高估模型性能。
2. 数据增强的影响
   若对训练集进行数据增强，测试集需保持原始分布，避免增强操作干扰评估结果。
3. 领域适配性
   在特定领域（如医疗、金融），测试集需包含与实际应用场景一致的样本。

---

实际案例参考

• MNIST 手写数字分类（6万训练样本 + 1万测试样本）：测试集占 ~14%。
• ImageNet 图像分类（128万训练图像 + 5万验证图像）：测试集占 ~3.7%。
• Kaggle 比赛：通常提供固定测试集（如 50% 数据），剩余用于训练和验证。