總共n個資料，假設為2，每次訓練集大小為n/2，每次訓練的資料量會偏小，取平均值後，由於每次訓練的資料量比較小，最終學習輸出的模型會不能很好的代表樣本的分布（欠擬合），換句話說就是偏差大。或者這麼理解，由於k折交叉驗證是使用k次訓練的結果取平均值來進行**的，如果只有兩折交叉驗證，每次對訓練集的**結果是使用一半的資料訓練一半的資料**，當資料集少時如果只針對本資料集**，那麼偏差會很小，但是該模型對兩個不同的資料集進行了擬合，那麼最後對同乙個資料集的**，乙個會比較好，乙個會比較差，平均以後的偏差就會比較大。相應的，由於擬合的不充分，方差就會比較小。
當k值很大時，假設為n折，那麼每次訓練集的大小為n-1，幾乎等於原始資料集的大小了，可以更好地學習到樣本的整體分布，這種情況下模型的偏差會偏小，但是方差偏大。可以這麼理解，n折交叉驗證那麼訓練資料就會有n份，每份之間的資料差異並不大，所以他們擬合出的平均值結果對訓練資料集進行**，偏差會比較小，但是由於對於給定的資料集充分地進行了學習，導致整體的方差會偏大。
Windows核心除錯實驗方法
如果需要通過實驗來了解 windows 作業系統，免不了要 進行核心除錯，這邊文章把一些核心除錯途徑和方法羅列下。windows 8 enterprise hypher v vm 2003 sp2 vm 2008 r2 實驗用到的工具主要是除錯工具 windbg 進行核心級的除錯，如何向檢視系統核心...
機器學習 AdaBoost 原理與推導
adaboost 自適應 增強 boosting系列代表演算法，對同一訓練集訓練出不同的 弱 分類器，然後集合這些弱分類器構成乙個更優效能的 強 分類器 傳統boosting方法存在兩個問題 1.如何調整訓練集的權重分布以訓練出不同的弱分類器 2.如何將各個弱分類器聯合起來組成乙個強分類器 adab...
大資料處理之道（實驗方法篇）
1 做大資料處理，清洗資料結束後，就是現象分析，再建立model模型，在驗證自己模型的有效性 2 大資料試驗驗證模型有效性的指標 accuracy 正確率 precision 查準率或準確率 recall 查全率或召回率 f1 measure true positives,true negative...