上節我們說了留出法，這次說下k折交叉驗證，這是我們做模型評估時經常使用的方法。
k折交叉驗證的3個要點：
1：資料集劃分為k個相同大小的互斥子集。
2：通過分層抽樣k個子集保持分布一致性。
3：k次評估結果的均值，每次用k-1個集合訓練，剩下的乙個做模型評估。
上述例子中共有樣本10個，我們做了5折交叉驗證，看下測試集索引，所有樣本集的並集就是整個樣本集了，訓練集與當前測試集的並集也是整個樣本集，其實就是每次用其中把本樣本做為訓練集，剩餘的兩個做為測試集，最終是用這5組樣本集訓練的模型進行效能評估的平均。
當k是樣本集大小時就是：留一法。也就是每次只有乙個樣本做為驗證集，留一法評估結果一般比較準確，就是當樣本集太大時太耗時，所以一般很少用到留一法，這裡就不多介紹了。
k折交叉驗證
在做機器學習這方面研究的時候,例如pcr和pls等演算法時常會遇到最佳潛變數的選取，神經元個數的選取 這些引數的選取對模型的質量產生極大的影響。如果人為選取，這樣是十分不可靠的也是不現實的。進行交叉驗證是乙個優秀模型形成必不可少的過程。交叉驗證的目的是為了得到更為穩健可靠的模型。交叉驗證的方法有許多...
K折交叉驗證
k 層交叉檢驗之後，我們得到 k 個不同的模型誤差估算值 e1,e2 ek 理想的情況是，這些誤差值相加得 0 要計算模型的偏誤，我們把所有這些誤差值相加。平均值越低，模型越優秀。模型表現變化程度的計算與之類似。取所有誤差值的標準差，標準差越 明模型隨訓練資料的變化越小。from sklearn i...
K折交叉驗證 （cv）
之前一直理解錯了 我知道k折交叉驗證是在模型選擇過程 model selection 中用來評估候選模型的。把整個訓練集分成k份，一共進行k次評估，每次用k 1份訓練，用1份來驗證。之前以為這k次是對同乙個模型迭代訓練的，其實不是！其實是產生了k個模型，對他們的誤差取平均，來評估你選擇的模型好不好，...