通常想找一個Model的variance夠小和bias夠小，
達到一個trade-off(平衡)，
如此可得到最小的testing error。

參考影片ML Lecture 2: Where does the error come from?，
先將Training Set分兩群為Training Set和Validation Set，
得到最小Error的Modle 3，
再用全部Training Set和public Testing Set可能得到Error > 0.5，
如此private的Testing Set才會是真正的Error > 0.5。

資料切分方法，有分為以下兩種：

百分比 切分

通常用於資料量多，以33%分切分

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

K-fold 切分

通常用於資料量少，以下切分5等分，分別驗證取平均值

cross_val_score(estimator, train_X, train_Y, cv=5).mean()

切的等份和百分比，
通常需要視資料特性，
以經驗法則和try and error判斷。

以上，打完收工。