---

很多人刚开始训练模型时，会犯两个非常典型的错误：

• 直接把原始数据丢进去训练
• 用同一份数据既训练又评估

结果就是：

• 模型训练不稳定
• 评估结果不可信

但他们往往不知道问题出在哪。

其实原因很简单：模型训练前，有两件必须做的事：数据归一化 + 数据划分

这张图其实在讲一个完整流程：

• 原始数据 → 数据归一化 → 数据划分 → 训练 → 验证 → 测试

你只要顺着这条线看，就能理解：

👉 为什么既要“处理数据”，又要“划分数据”

---

一、第一步：为什么要做数据归一化（左半部分）

先看图的左侧。

你会发现一个问题：

• 有的特征范围是 0~1000
• 有的特征只有 0~1

👉 这就是：特征尺度不一致

1.会带来什么问题？

模型在训练时，本质是在做加权计算：

如果：

• 𝑥1 很大（比如 1000）
• 𝑥2 很小（比如 0.1）

那么模型更容易被“大数值特征”主导。

👉 结果就是：

• 小特征被忽略
• 学习不公平
• 训练过程不稳定

2.从优化角度看（关键理解）

你可以把训练想象成：

👉 在“山谷”里找最低点（梯度下降）

• 未归一化：山谷又窄又扁 → 走得歪、来回震荡
• 归一化后：山谷更圆 → 更容易找到方向

👉 这就是图左边在表达的核心：

归一化 = 统一尺度，让模型更容易学习

3.怎么做归一化？

最常见的方法是标准化：

简单理解：

• 减去平均值
• 再除以标准差

👉 让所有特征处于相似范围，左半部分总结一句：

归一化的本质，是让模型“学得更顺”

---

二、第二步：为什么要划分 Train / Val / Test（右半部分）

再看图右侧。这里在讲另一件完全不同但同样重要的事：如何正确评估模型

为什么不能用同一份数据训练和评估？看图里的类比：“背过的题 vs 真考试”

如果你：

• 用同一份数据训练
• 再用这份数据评估

那就相当于：考前把答案背了一遍，再去做同一张试卷， 结果当然很好，但没有任何意义。

正确做法：三份数据，图中已经帮你拆好了：

1️⃣ Train（训练集）

• 学参数
• 不断优化模型

2️⃣ Validation（验证集）

• 调整模型（学习率、结构等）
• 判断是否过拟合

对应你之前学的：val_loss 上升 = 开始过拟合

3️⃣ Test（测试集）

• 最终评估模型

最关键的一点（必须记住）：Test 集只在最后用一次，不参与训练和调参

这一部分的本质

数据划分，是为了让评估“可信”

---

三、把两件事串起来（这才是这篇的重点）

现在你可以把整张图串起来看：

左边在解决什么？

👉 数据归一化：让模型更容易学（训练问题）

右边在解决什么？

👉 数据划分：让结果更可信（评估问题）

两者本质不同，但缺一不可：

• 只做归一化，不划分数据 → 评估会骗人
• 只划分数据，不归一化 → 模型学得很痛苦

一句话总结整张图：

归一化让模型学得顺，数据划分让结果更可信

---

四、最容易踩的两个坑（帮你补全认知）

1.坑1：用全部数据做归一化

很多人会这样做：

• 用全部数据算均值和方差
• 再做归一化

这是不对的

正确做法是：只用训练集计算归一化参数，再应用到 Val/Test
否则就会：数据泄露（Data Leakage）

2.坑2：反复用 Test 调模型

如果你：

• 一边看 Test 结果
• 一边调模型

那么：Test 就不再是“真正没见过的数据”，评估就失去意义了

---

五、最后总结

你只需要记住这三点：

1️⃣ 数据归一化：解决“模型好不好学”

2️⃣ 数据划分：解决“评估准不准”

3️⃣ 两者都是训练前必须做的准备工作

最核心一句：

一个影响训练效率，一个决定评估可信度