有一个测试集有助于验证模型，并可以检查模型无法从训练数据中泛化的过度拟合，而不是只是记住答案；如果我们希望在未知数据上做得很好的话，其实这不并是理想的做法。测试集的目的是模拟模型即将在现实世界中呈现的未知数据。因此，不使用测试集进行训练非常重要。

有时候，在使用特别容易过度拟合的算法时，你还可以使用一个验证集，这是你想要避免甚至在考虑的，因为有时在优化模型时，有关测试集的信息可能会从调整模型参数（通常称为超参数）缺失，从而导致测试集以及训练集过度拟合。

但是，对于本教程来说，我们将只使用一个测试集和一个训练集。

Sklearn有一个工具可以帮助将数据分成测试集和训练集。

有趣的是test_size和random_state这两个参数。测试大小参数是将保留用于测试的总数据集的数字分数。一个80/20的分配通常被认为是一个很好的经验法则，但可能需要在后来做些调整。

另一个值得注意的变量是random_state。它的值并不是很重要，因为它只是一个种子数，但随机数据的行为是重要的。

为什么？

数据集是按类型进行排序的，因此，如果我们只使用前两种进行训练的话，那么在使用以前从未见过的第三种进行测试时，该模型就不会发挥作用了。

如果你以前从未见过某种事物，那么很难对它进行正确分类。

选择分类器

既然我们已经将数据分成了测试集和训练集，那么我们可以开始选择一个分类器了。

当考虑我们的数据时，随机森林（Random Forest）分类器是一个很好的起点。随机森林是简单、灵活的，因为它们与各种数据都可以进行很好的执行操作，而且很少出现过度拟合。因此，它们往往是一个很好的起点。

随机森林的一个显著的缺点是它们在本质上是非确定性的，所以每次训练它们时都不一定会产生相同的结果。

虽然随机森林是一个很好的起点，但在实际操作中，你将经常使用多个分类器，并查看哪些会获得良好的结果。

你可以培养一种感觉，哪些算法通常在什么问题表现得出色，从而来限制猜测；当然，从数学表达式出发做第一原则分析也是有助于这一点的实现的。

训练分类器

既然我们已经选择好一个分类器了，那现在就可以去实现它了。

在sklearn中实现一个分类器，需要遵循三个步骤。

·导入

·初始化

·训练

在代码中，直播，看起来像下图这样：

如果我们不知道一个分类器的准确度，即使它训练有素也是没有太多用处的。

我们可以通过在分类器上使用score()方法，从而快速了解该模型对数据的有效性。

嗯，结果是98％！

这个结果对于三行代码来说还是不错的。当然这不是最难的问题，但考虑到这是我们的第一次尝试，98％的结果还是很好的。

注意：如果得到一个稍微不同的结果，你不必担心，它可以通过生成一个随机决策树，并对其预测进行平均，从而预期这个分类器是可以起作用的。

我们还可以计算训练数据的准确性，并比较两者以了解模型过度拟合的程度。该方法类似于我们如何计算测试精度，只有这次我们使用训练数据作为评估。

我们看到，我们训练数据的准确性是98%，表明模型不是过度拟合的。

但对于那些完全崭新的数据来说又是怎样的呢？

假设我们已经找到了一个新的、独特的鸢尾花，我们测量它花瓣的长度和宽度。

假设我们测量长度为5.2cm，宽度为0.9cm，我们怎样才能找出哪种才是使用我们的新训练模型的呢？

答案是利用predict()方法，如下图所示。

结果显示，这个方法很棒。

我们现在知道分类物种。然而，其有用性是有限的，因为它不容易被人理解。

如果它返回的结果是物种标签，那就容易得多了。