k-fold交叉验证
发布时间
阅读量：
阅读量
一、交叉验证
交叉验证（Cross-validation）是一种在机器学习中广泛采用的方法。它主要通过检验新数据适应能力来确保所学知识适用于 unseen data，并防止过拟合或欠拟合的风险。
（一）基本原理
其核心概念在于将原始数据分为若干个子集，并将其划分为两部分：一部分用于生成或确定参数（即为' Train data'），而剩余的部分则用于评估该参数化的表现（即为'Validation data'）。通过使用这些 Train data 来对 Model 进行参数优化，并随后利用 Validation data 来评估 Model 的表现；不断重复这一过程以提升 Model 的泛化能力。
采用该方法, 我们能够获取多个模型性能的预测结果, 并计算其均值, 以此作为模型性能评估的关键指标
（二）步骤
1、数据划分
eg：举例来说，在处理原始数据时（或操作中），我们将其划分为训练集与测试集的比例为4:1（或比例）。其中一部分被用来对模型进行训练与优化（或调整），另一部分则被用来评估模型的准确率（或性能）。通过这种方式（或手段），我们可以检验模型的泛化能力以及预测精度（或效果）。
还没有任何评论哟~