用途：本技能用于判断一个AI模型的真实能力，而非表面数字。当团队报告了很高的准确率、需要设计新ML项目的评估方案，或业务方质疑“这个AI到底好不好用”时适用。
主要能力：强调将标注数据分为互不重叠的训练集与测试集。训练集喂给算法学习规律；测试集完全藏起来，仅在最终评估时使用，用来衡量模型在未见过的数据上的表现。测试集相当于AI的科学实验对照组，用于确认模型是否真正具备泛化能力。
使用方式：先检查数据是否已分割且无重叠，测试集在训练过程中绝不能被模型看到；训练前就定义验收标准（如测试集准确率达到95%），避免训练后随意调整；训练过程中不要用测试集做任何决策（如调参、选模型），测试集只能用一次；向利益相关者汇报测试集上的表现，而非训练集上的表现。完成标准是模型在从未见过的测试集上达到预定义标准，且测试集全程未被污染。
适用场景：需要判断AI模型真实能力、设计评估方案、回应业务方对效果的质疑时。资料给出的案例是咖啡杯缺陷检测：10000张图片分为训练集8000张、测试集2000张，模型在2000张未见过的图片上达到95%准确率，这个95%才是可信度量。
限制：不适用于数据科学项目（没有需要评估的模型）、数据量极少无法留出有意义测试集的情况，以及尚未进入建模的探索性分析阶段。失败模式包括用测试集调参、训练集与测试集重叠、测试集分布与真实场景不符。资料指出作者只讲了二分法，实际项目通常还需要开发集/验证集用于调参和模型选择，严肃项目建议引入第二个隐藏测试集。相关技能：ml-workflow（依赖）、statistical-acceptance（组合）。