我很确定答案是否定的，但想确认...
训练神经网络或其他学习算法时，我们将计算成本函数j（θ），以表达我们的算法对训练数据的适合程度（较高的值意味着它不太适合数据）。训练我们的算法时，我们通常希望看到J（Theta）随着梯度下降的每次迭代而下降。
但是我只是好奇，计算j（θ）对我们的 test 数据是否有价值？
我认为答案是否定的，因为由于我们仅评估一次测试数据，因此我们只能获得J（θ）的一个值，我认为这是毫无意义的，除非与其他值相比。
。您的问题涉及有关术语的非常常见的歧义：验证和 test test sets sets（Wikipedia条目和这个交叉效力的职位可能有助于解决此问题）。
因此，假设您确实是指适当而不是验证的测试集，则：
-
您是正确的，因为该集合仅在整个建模过程的末尾使用一次
-
通常，您在假设我们不计算此组中的成本J（θ）时是不对的。
在（2）上阐述：实际上，测试集的唯一有用性是评估我们的最终模型，在拟合过程的各个阶段都没有使用的集合中（请注意<<验证集已间接使用，即用于模型选择）；为了评估它，我们显然必须计算成本。
我认为，可能的混乱来源是您可能只记住分类设置（尽管您在问题中没有指定这一点）；的确，在这种情况下，我们通常对有关A business 度量的模型性能感兴趣（例如，准确性），而不是优化成本j（θ）本身。但是在回归设置中，优化成本和业务指标很可能是同一件事（例如RMSE，MSE，MAE等）。而且，正如我希望的那样，在这样的设置中，计算测试集中的成本绝不是毫无意义的，尽管我们没有将其与其他值进行比较（它为我们的最终模型提供了"绝对"性能指标）。
您可能会发现这一点，而我的这个答案在损失与宽度之间的区别上很有用；准确性;从这些答案中引用：
损失和准确性是不同的事情；粗略地说，准确性是我们从A Business 的角度真正感兴趣的，而损失是学习算法（优化者）试图从A 数学透视。更粗略地说，您可以将损失视为商业目标（准确性）的"翻译"，这是分类问题中必不可少的翻译（在回归问题中，通常是损失和业务目标是相同，或者至少在原则上可以相同，例如RMSE）...