Какой процент от датасета брать на валидацию

Обычно берут 20-30% от общего датасета для валидации. Точный процент зависит от размера данных:

• Для больших датасетов (>100k записей) можно брать меньше (10-20%)
• Для маленьких (<10k) лучше брать больше (30-40%), чтобы валидация была репрезентативной

Пример разделения в sklearn:

from sklearn.model_selection import train_test_split

X_train, X_val, y_train, y_val = train_test_split(
    X, y, 
    test_size=0.2,  # 20% на валидацию
    random_state=42
)

Ключевые моменты:

1. Сохраняйте распределение классов (stratify=y)
2. Фиксируйте random_state для воспроизводимости
3. Для временных данных используйте временное разделение