贡献者： xzllxls
当机器学习算法从某个数据集上学习到一个模型之后，需要评估该模型的好坏，也就是所获得的模型对于数据的拟合程度，此评价过程就称为模型评估。
对于一个数据集而言，通常须要该数据集的一部分用于模型训练，称为训练集（training set），另一部分用于模型评估，称为测试集（test set）。因此，就需要一种划分数据集的方案。划分训练集和测试集的一个重要原则是：测试集要与训练集互斥。也就是说，一条数据样本要么在训练集中，要么在测试集中，不能同时出现在训练集和测试集中。最常用的模型评估方法主要有三种，分别是留出法（Hold-out）、交叉验证（Cross validation）和自助法（Bootstrap）。