在机器学习模型开发流程中，数据集的合理划分是确保模型泛化能力的核心环节。训练集（Training Set）、验证集（Validation Set）与测试集（Test Set）构成数据分配的三元结构，其中验证集与测试集的功能差异常被混淆。验证集用于训练过程中的超参数调优与模型选择，测试集作为最终泛化能力的独立裁判。二者的混淆可能导致”数据泄露”（Data Leakage），造成模型性能的虚高评估。本文将系统剖析二者的本质区别，涵盖理论基础、划分方法、实践案例及前沿趋势，为学术界与工业界提供可复用的评估框架。