机器学习训练集与测试集划分方法：留出法、交叉验证法、自助法、无偏估计法

常见的训练集与测试集划分方法有以下几种：

留出法（Holdout Method）：将数据集随机划分成训练集和测试集，通常将数据集的70%~80%作为训练集，20%~30%作为测试集。
交叉验证法（Cross Validation）：将数据集分成k个子集，将每个子集轮流作为测试集，其余子集作为训练集，进行k次训练和测试，最终取平均值作为模型性能的评价指标。
自助法（Bootstrap）：从数据集中有放回地随机抽样n次得到n个样本，这些样本组成自助样本集，其余样本组成验证集。自助法适用于数据集较小、难以有效划分训练集和测试集的情况。
无偏估计法（Unbiased Estimate）：将数据集分成训练集和测试集后，对训练集进行交叉验证得到最优模型，然后将最优模型应用于测试集并计算模型性能的指标。