做机器学习项目时，经常听到“用训练集训练模型，测试集验证效果”。这话听起来简单，但在实际配置软件、搭建流程时，很多人还是容易把数据混成一锅粥。尤其是回归问题，比如预测房价、销量、温度这些连续值任务，训练集和测试集的划分更是不能马虎。
为什么要分训练集和测试集？
想象你在背考试题。如果所有题目都是以前做过的，那考试拿高分不稀奇——因为你记住了答案，而不是学会了方法。模型也一样。如果它在训练时见过测试数据，就等于提前看了考题，表现再好也不真实。
训练集的作用是让模型学习特征和目标之间的关系，比如房屋面积、地段如何影响价格。测试集则是模拟“没见过的新数据”，用来检验模型能不能举一反三。
回归任务中的典型划分方式
最常见的做法是按比例拆分，比如 80% 训练，20% 测试。Python 的 scikit-learn 提供了现成工具：
<from sklearn.model_selection import train_test_split>
<import numpy as np>
<# 模拟一些回归数据：比如房屋面积和价格>
<X = np.random.rand(1000, 1) * 100 # 面积>
<y = X.squeeze() * 8 + np.random.randn(1000) * 10 # 价格，带点噪声>
<# 拆分数据>
<X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)>这里 test_size=0.2 表示留出 20% 当测试集，random_state 确保每次运行结果一致，方便调试。
时间序列别乱打乱
有些回归问题是时间相关的，比如预测每日用电量。这时候千万不能直接用上面的方法随机拆分，否则模型可能用“未来”的数据去预测“过去”，造成数据泄露。
正确的做法是按时间顺序切分。例如前 300 天数据当训练集，后 60 天当测试集。不需要额外库函数，直接切片就行：
<# 假设数据按时间排序>
<n_train = 300>
<X_train, X_test = X[:n_train], X[n_train:]>
<y_train, y_test = y[:n_train], y[n_train:]>配置脚本时的小建议
在写训练脚本时，最好一开始就拆好数据，并保存为独立文件，比如 train.csv 和 test.csv。这样后续训练和评估可以完全隔离，避免重复加载或误操作。
也可以在配置文件里加个开关，控制是否启用测试模式，方便调试：
<# config.yaml>
<use_small_data: False # 调试时设为 True，只用少量数据>
<test_size: 0.2>上线前记得检查测试集有没有被意外混入训练过程。一个简单办法是计算训练集和测试集的特征分布差异，比如均值、方差，确保它们接近但不完全相同——太接近可能是随机拆分导致的偶然，完全一样就得查代码了。