Machine learning 在机器学习中，可以在开发后将开发集添加到训练集吗？

通常我们在训练集上训练我们的模型，在开发集上评估它们，进行一些更改，再次训练和评估，等等（开发阶段），最后在测试集上评估一次

假设我们几乎没有训练数据。然后，在开发阶段之后使用培训和开发集是有意义的。人们可以像往常一样估计超参数，最后（最终训练）将dev集添加到训练集中，使用先前估计的超参数训练模型，并在测试集中对其进行一次评估

---

这在任何方面都是“作弊”吗？人们是这样做的，还是他们通常会在任何培训中忽略开发集？

我不认为这是作弊。如果它根据真实世界的数据和看不见的测试数据改进了您的模型，那么它应该是正常的。推荐使用training/dev/test集是有原因的，但是如果您有这么小的培训数据集，我相信这是一种有效的策略。在任何情况下，如果不知道更多的细节，例如数据的性质和您想要完成的任务，就很难得到明确的答案。您可能希望了解的另一种方法是数据扩充。 我推荐以下课程，其中包括培训/开发/测试集分发：

---

我不认为这是作弊。如果它根据真实世界的数据和看不见的测试数据改进了您的模型，那么它应该是正常的。推荐使用training/dev/test集是有原因的，但是如果您有这么小的培训数据集，我相信这是一种有效的策略。在任何情况下，如果不知道更多的细节，例如数据的性质和您想要完成的任务，就很难得到明确的答案。您可能希望了解的另一种方法是数据扩充。 我推荐以下课程，其中包括培训/开发/测试集分发：

---

一旦您决定使用dev集合的超参数，就可以使用train+dev再次执行培训。这是一种经常使用的方法。

---

例如，在sklearn中使用GridSearchCV方法时，如果使用refit=True，则会在超参数搜索完成后执行训练。i、 e.如果cv=4且refit=True，模型将执行5次训练，（4次用于搜索最佳超参数）+（1次用于使用完整训练集的最终训练）

一旦您使用开发集确定超参数，您可以使用训练+开发再次执行训练。这是一种经常使用的方法。

---

例如，在sklearn中使用GridSearchCV方法时，如果使用refit=True，则会在超参数搜索完成后执行训练。i、 e.如果cv=4且refit=True，模型将执行5次训练，（4次用于搜索最佳超参数）+（1次用于使用完整训练集的最终训练）

只是为了理解。。。你想要实现什么？“发展”之后是什么意思？看看我的变化；希望现在能更清楚地理解。。。你想要实现什么？“发展”之后是什么意思？看看我的变化；希望现在更清楚