我正在研究简单的机器学习问题，并尝试构建一个可以区分垃圾短信和非垃圾短信的分类器。我很困惑是否需要在拆分为测试集和训练集之前生成文档项矩阵，还是应该在拆分为测试集和训练集之后生成文档项矩阵？
我尝试了两种方法，发现在生成文档术语矩阵之前拆分数据时准确度略高。但对我来说，这没有任何意义。精度不应该一样吗？这些操作的顺序有什么不同吗？
【问题讨论】：
标签： python machine-learning nlp data-science
从质量上讲，您不需要 这样做。但是，正确的程序要求您将训练和测试数据完全分开。总体概念是测试数据在训练中不直接表示；这有助于减少过度拟合。测试数据（以及后来的验证数据）是经过训练的模型在训练期间从未遇到过的样本。
因此，测试数据不应包含在您的预处理——文档术语矩阵中。这打破了分离，因为模型在一方面“看到”了训练期间的测试数据。
从数量上讲，您需要先进行拆分，因为该矩阵将用于针对仅训练集训练模型。当您将测试数据包含在矩阵中时，您获得的矩阵在表示训练数据时略微不准确：它不再正确地表示您实际训练的数据。这就是为什么您的模型不如遵循正确分离程序的模型好。
这是一个细微的差别，主要是因为训练集和测试集假定是相同可能输入群体的随机样本。随机差异提供了您遇到的小惊喜。
【讨论】：