python中什么是测试数据和训练数据
当数据量特别大的时候，有几千几万条，为了验证模型的好坏，取出一部分用于训练，另一部分用作测试。当模型训练好的时候，其必定是符合训练数据的分布，为了验证模型的泛化能力，就利用没有参与训练的测试集，放入模型计算出结果，和真实值比较，就可以看出回归模型预测得准不准了从代码来看你这个做的是一个简单的线性回归模型，数据很简单就是研发成本对应产品质量，利用线性回归拟合一条直线，由于你的数据特别少只有8个点，所以完全没有必要区分训练数据和测试数据，尤其你设置测试集比例为0.1，其实就只有一条，用处不大，所以没有区分的必要希望我的回答能帮助到你，祝你学习顺利
如何构建训练集和测试集 成什么比例
[size=14.399999618530273px]做分类预测等数据挖掘任务时，需要测试所建立模型的准确性时，如没有事先划分好的训练集与测试集，常采用的方案有。
[size=14.399999618530273px] A. 随机划分数据集：将数据集随机划分成训练集和测试集，一般按照3:1的比例划分，其中3/4的数据集用于模型的建立，1/4数据集用于测试所建立模型的性能。最终模型的性能，通过K次随机划分数据集，可以得到K次划分的模型性能的平均值，作为建立模型的性能。
[size=14.399999618530273px] B. 交叉检验(Cross-Validation)：交叉检验，是按一定的方式将数据集划分成训练集和测试集，每个数据记录既有作为训练集，又有作为测试集。常用的交叉检验有：
[size=14.399999618530273px] 》Leave One Out Cross-Validation：每次选择一个数据作为测试集，其余的N-1个作为训练集用于测试模型的性能，共执行N次测试，N次测试的结果作为最终模型的性能；
[size=14.399999618530273px] 》K-Fold Cross-Validation：将数据集划分成K份，每次是其中的k-1份作为训练集建立模型，剩余的1份作为测试集检测模型性能，共执行K次性能测试。常用的是10折交叉检验，或采用随机划分数据集法将数据集划分成K份，此时可采用K-ford M-time Cross-Validation。
