2.2 評估方法
      通常，我們可通過實(shí)驗(yàn)測試來對學(xué)習(xí)器的泛化誤差進(jìn)行評估并進(jìn)而做出選在現(xiàn)實(shí)任務(wù)中往往會選擇．為此，需使用一個“測試集”（testing set）來測試學(xué)習(xí)器對新樣本的判別能考慮時間開銷、存儲爿銷、可解釋性等方面的因素，然后以測試集上的“測試誤差”(testing error)作為泛化誤差的近似，通常素．這里暫且只考慮泛化我們假設(shè)測試樣本也是從樣本真實(shí)分布中獨(dú)立同分布采樣而得．但需注意的誤差，是，測試集應(yīng)該盡可能與訓(xùn)練集互斥，即測試樣本盡量不在訓(xùn)練集中出現(xiàn)、未在訓(xùn)練過程中使用過．測試樣本為什么要盡可能不出現(xiàn)在訓(xùn)練集中呢？為理解這一點(diǎn)，不妨考慮這樣一個場景：老師出了10道習(xí)題供同學(xué)們練習(xí)，考試時老師又用同樣的這10道題作為試題，這個考試成績能否有效反映出同學(xué)們學(xué)得好不好呢？答案是否定的，可能有的同學(xué)只會做這10道題卻能得高分．回到我們的問題上來，我們希望得到泛化性能強(qiáng)的模型，好比是希望同學(xué)們對課程學(xué)得很好、獲得了對所學(xué)知識“舉一反三”的能力；