Python 機械学習のテストデータって何%にするのがベストなの?

import numpy as np

import pandas as pd

from pandas import Series, DataFrame

import matplotlib.pyplot as plt

import seaborn as sns

sns.set_style("whitegrid")

%matplotlib inline

#LinearSVCを使うためのライブラリ
from sklearn.svm import LinearSVC

#ランダムフォレスターを使うためのライブラリ
from sklearn.ensemble import RandomForestClassifier

#ロジスティック回帰を使うためのライブラリ
from sklearn.linear_model import LogisticRegression

#k近傍法を使うためのライブラリを用意
from sklearn.neighbors import KNeighborsClassifier

#学習用とテスト用に分けるためのライブラリ
from sklearn.model_selection import train_test_split

#精度を求めるためのライブラリ
from sklearn.metrics import accuracy_score

#seabornのirisのデータを読み込む
iris = sns.load_dataset("iris")

#実行
iris

#予測に使うデータX（説明変数）
X = iris.drop("species", axis=1)

#予測したいデータY（目的変数）
Y = iris["species"]

#繰り返し範囲を指定（20%から80%を1%ずつ繰り返す）
all_range = range(20,81,1)


#精度を表示させるためにリストを用意
###LinearSVC###
linear_accuracy = []

###ロジスティック回帰###
log_accuracy = []

###ランダムフォレスター###
random_accuracy = []

###k近傍法###
kn_accuracy = []

for i in all_range:    
    #学習用とテスト用に分ける
    X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=i/100)
    
    ###LinearSVC###
    #学習
    linearmodel = LinearSVC()
    linearmodel.fit(X_train, Y_train)
    
    #予測
    Y_pred1 = linearmodel.predict(X_test)
    linear_accuracy.append(accuracy_score(Y_pred1, Y_test))
    
    
    ###ロジスティック回帰###
    #学習
    logmodel = LogisticRegression()
    logmodel.fit(X_train, Y_train)
    
    #予測
    Y_pred2 = logmodel.predict(X_test)
    log_accuracy.append(accuracy_score(Y_pred2, Y_test))
    
    
    ###ランダムフォレスター###
    #学習
    ranmodel = RandomForestClassifier()
    ranmodel.fit(X_train, Y_train)
    
    #予測
    Y_pred3 = ranmodel.predict(X_test)
    random_accuracy.append(accuracy_score(Y_pred3, Y_test))
    
    
    ###k近傍法###
    #学習
    knmodel = KNeighborsClassifier(n_neighbors=1)
    knmodel.fit(X_train, Y_train)
    
    #予測
    Y_pred4 = knmodel.predict(X_test)
    kn_accuracy.append(accuracy_score(Y_pred4, Y_test))

#データフレーム化
df = pd.DataFrame([linear_accuracy, log_accuracy, random_accuracy, kn_accuracy],
                 index=["LinearSVC", "LogisticRegression", "RandomForestClassifier", "KNeighborsClassifier"],
                 columns=[i for i in all_range])

#行と列を入れ替えて表示(Tと記述すると，入れ替えることが出来る)
df.T

#精度が98%以上のデータのみを表示
all_max = df.T[df.T>=0.98].dropna(how="all", axis=0)

#実行
all_max

#subplot()の間隔の調整
plt.subplots_adjust(wspace=0.4, hspace=0.6)


###LinearSVCをプロット###
plt.subplot(2,2,1)

plt.plot(all_range, linear_accuracy, color="red")

plt.title("LinearSVC")

plt.ylabel("accuracy")

plt.xlabel("range")
#軸の範囲を指定

plt.xlim(20,80)

plt.ylim(0.85,1.0)


###ロジスティック回帰をプロット###
plt.subplot(2,2,2)

plt.plot(all_range, log_accuracy, color="blue")

plt.title("LogisticRegression")

plt.ylabel("accuracy")

plt.xlabel("range")

plt.xlim(20,80)

plt.ylim(0.85,1.0)


###ランダムフォレスターをプロット###
plt.subplot(2,2,3)

plt.plot(all_range,random_accuracy, color="green")

plt.title("RandomForestClassifier")

plt.ylabel("accuracy")

plt.xlabel("range")

plt.xlim(20,80)

plt.ylim(0.85,1.0)


###k近傍法をプロット###
plt.subplot(2,2,4)

plt.plot(all_range, kn_accuracy, color="purple")

plt.title("KNeighborsClassifier")

plt.ylabel("accuracy")

plt.xlabel("range")

plt.xlim(20,80)

plt.ylim(0.85,1.0)