Что происходит с проверочными данными после завершения обучения?

Не эксперт по машинному обучению, но обычный процесс, которому я следую, чтобы обучить модель машинного обучения, — это после очистки данных, разделения набора данных для обучения и тестирования с использованием разделения тестов обучения scikit-learn.

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X.values,
                                                y.values,
                                                test_size=0.30,
                                                random_state=0)

пропуская весь процесс построения модели... когда вы переходите к обучению модели (соответствует ей) после ее определения и компиляции, необходимо использовать параметр разделения проверки, как показано ниже.

history = model.fit(X_train, y_train, epochs=10,validation_split=0.2)

кажется, что это снова делит наборы обучающих данных на 20% точек данных, чтобы проверить нашу модель во время обучения. Если бы у вас было, скажем, 1000 точек данных (строк) в наборе данных, первый приведенный выше код приведет к 700 тренировочных точек данных для обучения и 300 для тестирования

второй снова разделит эти 700 на 20% для проверки, оставив как 640 точек данных для обучения и 160 для проверки

оставив нам небольшие данные для обучения нашей модели.

Недавно я столкнулся с методом, в котором вы используете тестовые данные для проверки, как показано ниже.

history = model.fit(x_train, y_train, validation_data=(x_test, y_test))

Мой вопрос заключается в том, что на самом деле произойдет с проверочными данными после завершения обучения, автоматически ли они добавляются для обучения нашей модели, каким-то образом улучшая нашу точность в конце, а также достаточно ли используются тестовые данные для проверки, и если мы это сделаем, будет ли это иметь эффект, когда мы пытаемся оценить нашу модель, используя тестовые данные.