知识点 › 数据基础设施

训练/验证/测试划分

Data Split

数据基础设施Lv.3

定义

不能随机按帧划分——同一段视频的相邻帧高度相似，随机划分会造成「信息泄漏」，指标虚高。正确做法：按片段/按行程/按地理区域/按时间段划分，测试集与训练集在时间或空间上不相交。

关键要点

  • 时间切分最稳：用「未来」的数据测「过去」训练的模型，模拟真实上线
  • 地理切分检验泛化：训练城 A、测试城 B
  • 要防止「同一场景多车重复采集」跨集泄漏

面试怎么答

这是高频送分题：说出「按片段/时间/地理切分」和「相邻帧泄漏」，直接加分。

相关知识

  • 数据泄漏 — 三种泄漏：①时间泄漏（用未来数据训练）；②实体泄漏（同一场景/同一辆车/同一路段跨集）；③标签泄漏（测试集被用于挖 b…
  • 数据集构建 — 从海量片段中抽样、配比、切片，产出训练/验证/测试集。关键决策：场景分层（按 ODD/天气/道路/难度）、采样权重、去…
  • 测试集构建 — 测试集要「代表真实分布 + 覆盖长尾 + 绝对隔离」。构建方式：分层抽样 + 场景配额 + 人工精挑 + 冻结版本。测…
在星图上打开这颗星 →