我很确定答案是否定的，但我想确认......
当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）作为我们的算法与训练数据的匹配程度的表达式（较高的值意味着它不太适合数据）。在训练我们的算法时，我们通常希望看到J（theta）随着梯度下降的每次迭代而下降。
但我只是好奇，对我们的测试数据计算J（θ）会不会有价值？
我认为答案是否定的，因为我们只评估一次测试数据，我们只得到一个J（θ）值，我认为除非与其他值比较，否则它没有意义。
你的问题触及了关于术语的一个非常常见的含糊之处：验证和测试集之间的问题（Wikipedia entry和this Cross Vaidated post可能有助于解决这个问题）。
因此，假设您确实引用了适当的测试集而不是验证集，那么：
阐述（2）：实际上，测试集的唯一用处正是用于评估我们的最终模型，在一个在拟合过程的各个阶段根本没有使用的集合中（注意验证集已经间接使用，即用于模型选择）;为了评估它，我们显然必须计算成本。
我认为可能的混淆源是你可能只考虑分类设置（尽管你没有在你的问题中指明这一点）;确实，在这种情况下，我们通常对关于商业度量（例如准确度）的模型性能感兴趣，而不关心优化成本J（θ）本身。但在回归设置中，很可能是优化成本和商业度量是同一件事（例如RMSE，MSE，MAE等）。并且，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，尽管我们不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）。
您可能会发现我的this和this答案对于损失和准确性之间的区别很有用;引用这些答案：
损失和准确性是不同的东西;粗略地说，准确性是我们从业务角度实际感兴趣的，而损失是学习算法（优化器）试图从数学角度最小化的目标函数。更粗略地说，您可以将损失视为商业目标（准确性）与数学领域的“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，或者至少原则上可以是相同的，例如RMSE）......