6 开发集和测试集应该服从同一分布

根据公司的核心市场情况，你将猫咪 app 的图像数据划分为“美国”、“中国”、“印度”和“其它地区”四个区域。在设立开发集和测试集时，可以尝试将美国和印度的数据归于开发集，而中国和其它地区的数据归于测试集。也就是说我们可以随机地将其中两个区域分配给开发集，另外的两个区域分配给测试集。这样做对吗？

http://holidaysimages.org/everything-you-think-is-wrong-day.html

当然不对！

一旦定义了开发集和测试集，你的团队将专注于提高开发集的性能表现，这就要求开发集能够体现任务的核心：使算法在四个地区都表现优异，而不仅仅是其中的两个。

开发集和测试集的分布不同还将导致第二个问题：你的团队开发的系统可能在开发集上表现良好，但在测试集上却表现不佳。我目睹过这样的事情发生，这将让人十分沮丧并且浪费大量的时间，因此希望你不要重蹈覆辙。

举个例子，假设你的团队开发了一套能在开发集上运行性能良好，却在测试集上效果不佳的系统。如果开发集和测试集分布相同，那么你就会非常清楚地知道问题在哪：在开发集上过拟合了（overfit）。解决方案显然就是获得更多的开发集数据。

但是如果开发集和测试集来自不同的分布，解决方案就不那么明确了。此时可能存在以下一种或者多种情况：1. 在开发集上过拟合了。2. 测试集比开发集更难进行预测，尽管算法做得足够好了，却很难有进一步的改进空间。3. 测试集不一定更难预测，但与开发集性质不同（分布不同）。因此在开发集上表现良好的算法不一定在测试集上也能够表现良好。如果是这种情况，大量改进开发集性能的工作将会是徒劳的。

构建机器学习应用已是一件难事，而开发集和测试集分布的不匹配又会引入额外的不确定性，即提高算法在开发集上的性能表现，是否也会提升其在测试集的性能表现？在这样的情况下很难弄去清楚哪些工作是有效的，哪些工作是在浪费时间，从而会影响到工作的优先级确定。

在处理第三方基准测试（benchmark）问题时，提供方可能已经指定了服从不同分布的开发集和测试集数据。与数据分布一致的情况相比，此时运气带来的性能影响将超过你所使用的技巧带来的影响。找到能够在某个分布上进行训练，并能够推广到另一个分布的学习算法，是一个重要的研究课题。但如果你想要在特定的机器学习应用上取得进展，而不是搞研究，我建议你尝试选择服从相同分布的开发集和测试集数据，这会让你的团队更有效率。