这里的比例是一个参考值，它指的是在机器学习中训练的样本中，用于训练的样本数量比用于验证的样本数量的比例，一般而言，80％的样本用于训练，20％的样本用于验证，因为必须对训练集进行足够多的训练，以便确保模型有足够的能力来处理新的数据，而验证集可以用来衡量模型的复杂性和准确性。 此外，机器学习的另一项重要概念是防止过拟合。让模型尽可能接近训练集的所有数据，但是对新数据的表现却不佳。这被称为过拟合，为了解决这个问题，需要使用一个独立的验证集来衡量模型的性能。这样，就可以在训练集和验证集之间取得平衡，以避免出现过拟合现象。 拓展： 机器学习中还有一个重要概念叫做测试集，它是用来检验模型的泛化能力的，它不仅可以验证模型的表现，还可以验证模型可能存在的问题，例如偏差、方差等等。与训练集和验证集不同，测试集不能用来进行模型的训练，它只能用来表现模型的性能。