深度学习100例-循环神经网络（RNN）实现股票预测第9天之二_rnn模拟股票分布的预测实验代码以及预测曲线结果截图-CSDN博客

本文探讨了训练集和测试集在模型评估中的作用，以及特征和标签的概念。以西瓜判断为例，说明特征如颜色、形状和声音是输入，而好瓜或坏瓜是标签。深度学习的目标是建立特征到标签的映射，并提到数据打乱的重要性以避免过拟合。此外，解释了numpy中seed和random.shuffle函数的作用，确保可重复的随机性和数据打乱。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

训练集，就是用来训练参数的，更新模型的参数。测试集，就是在模型最终训练完成后，用来测试一下最后的准确率。对最终筛选出来的模型的泛化能力进行评价，测试集最重要的就是未知，用一个学习集之外的数据集来对模型的效果进行评估，看看模型能否给出合适的输出。如果测试集准确率很差，那么我们还是回去调整模型的各种参数，这时候测试集其实也参与了训练。就是这样反复循环。

x_train = []
y_train = []

x_test = []
y_test = []

"""
使用前60天的开盘价作为输入特征x_train
    第61天的开盘价作为输入标签y_train

"""
for i in range(60, len(training_set)):
    x_train.append(training_set[i - 60:i, 0])
    y_train.append(training_set[i, 0])

for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])

输入特征和输入标签的意义，以周志华老师在《机器学习》中判断好瓜的问题为例——给你一个西瓜，如何判断出一个它是不是正熟的好瓜？对于人类来说，根据以前的经验，我们首先会从西瓜这个具体的事物中抽取一些有用的信息，比如西瓜的颜色、瓜蒂的形状、敲击的声音等，然后根据一定的规则在这些信息的基础上进行判断————一般情况下我们认为颜色青绿、根蒂蜷缩、敲击浊响的西瓜是好瓜。

上述问题中，西瓜的颜色、瓜蒂的形状、敲击的声音就是特征，而“好瓜”和“坏瓜”这两个判断就是标签。更抽象一点，特征是做出某个判断的证据，标签是结论。

机器学习主要的工作就是提取出有用的特征（比如卖西瓜的人的性别这个特征对判断西瓜是否是好瓜基本是没有用的，就不是一个好的特征），然后根据已有的实例(例如有一堆瓜，里面有好瓜也有坏瓜，并且已经标注（已有标签），也知道这些瓜的颜色、根蒂形状和敲击声音），构造从特征到标签的映射。

# 对训练集进行打乱
np.ran