你已经学习了如何计算分类和回归模型的各种指标。但要正确应用这些指标，需要一种特定的数据处理方法。在模型训练所用的相同数据上进行评估，会得到对其在新数据（未见过的数据）上实际表现的不可靠且往往过于乐观的估计。

本章介绍数据划分的基本做法。我们将介绍：

• 为什么在未见过的数据上进行评估对于衡量泛化能力很重要。
• 训练集和测试集的理念与作用。
• 执行训练集-测试集划分的标准步骤。
• 常见的比例以及随机性在划分中的作用。
• 单次划分的局限性以及对交叉验证理念的简要介绍。

在本章结束时，你将懂得如何正确准备数据，以获得对机器学习模型更可靠的评估结果。