数据集划分：
训练集：用于估计模型
验证集：用于确定网络结构或者控制模型复杂程度的参数
测试集：用于检验最优的模型的性能
典型的划分方式是训练集占总样本的50%。而验证集和测试集各占25%
K折交叉验证法：
当数据总量较少的时候，使用上面的方法将数据划分为三部分就不合适了
常用的方法是留少部分做测试集，然后对其余N个样本采用K折交叉验证法，基本步骤如下：
将样本打乱，均匀分成K份
轮流选择其中K-1份做训练，剩余的一份做验证
计算预测误差平方和，把K次的预测误差平方和的均值作为选择最优模型结构的依据。
将数据集切分为训练集和测试集：
train_test_split函数：sklearn的model_selection提供，能够对数据进行拆分，其使用格式如下：
sklearn.model_selection.train_test_split(*arrays,**options)
如果传入的是1组数据，那么生成的就是这一组数据随机划分为训练集和测试集，总共2组。如果传入的是2组数据，则生成的训练集和测试集分别两组，总共4组。
使用sklearn转换器进行数据预处理与降维
sklearn转换器三个方法
sklearn把相关的功能封装为转换器。使用sklearn转换器能够实现对传入的Numpy数组进行标准化处理，归一化处理，二值化处理，PCA降维等操作。转换器主要包括三个方法：
fit
transform
fit_transform
