我对数据集的训练和验证有疑问。
我了解训练数据标签的概念，即 y_train。我不明白为什么我们的测试/验证样本也应该有标签。我假设通过为测试样本提供标签，我们在将它们通过算法之前定义它们是什么，对吗？
让我这么说吧，如果我有一个狗和猫的图片数据集，我分别标记它们 1 和 2。那么如果我想扔一张图片（狗）来测试我的模型，而我的训练数据集中没有，我为什么要给它贴标签呢？如果我将它标记为 1，那么我预先告诉它是一只狗，如果我将它标记为 2，那么它已经是一只猫了。
我可以有一个没有标签的测试/验证数据集吗？
验证数据集用于微调模型中的参数，而测试集用于检查准确性。没有标签怎么能声称你的模型是正确的。这个概念在监督学习中是有效的，因此需要有带有测试和验证数据集的标签。
顾名思义，测试集的目的是在训练期间未看到的数据中测试模型的性能。为了获得这个性能指标，您当然需要具有已知标签的数据，以便将这些标签（基本事实）与相应的模型预测进行比较，并得出模型性能的一些定量测量（例如准确性） - 一些如果没有这些标签在测试集中可用，您当然不能这样做。
如果我想扔一张照片（狗）来测试我的模型，我为什么要给它贴标签？如果我将它标记为 1，那么我预先告诉它是一只狗，如果我将它标记为 2，那么它已经是一只猫了。
您在这里非常松散地使用术语“测试” - 这不是它在测试集上下文中的含义（我刚刚在上面描述的上下文）。另请注意，测试标签可用这一事实并不意味着模型在预测期间正在使用它们（它们当然不是 - 它们仅用于与模型预测进行比较，如上所述）。另外，您指的是一个非常具体的问题，其中答案（猫/狗）对人类观察者来说是显而易见的 - 尝试使用相同的原理，例如在基因组学问题中，或者在要求数字预测的问题中，例如房价，你会发现情况并不是那么简单明了（你能不能只看一眼就能说出房子的价格呢？一排数字？）...
这同样适用于验证集，只是这里的目标不同（即不是模型评估，而是模型调整）。
诚然，有些人使用术语“测试数据”来泛指任何看不见的数据，但这是不正确的；在使用训练集、验证集和测试集构建和评估模型后，您可以部署它并为其提供新的且明显不可见的数据，当然不希望它已经知道标签......
实际上有几十个关于这个主题的在线教程，SO 可以说不是解决这类问题的最合适的论坛——我只是希望我已经给了你一个足够好的总体思路……