[Machine Learning] 交叉验证（Cross Validation）

交叉验证（Cross Validation）

---

什么是交叉验证（Cross Validation）

交叉验证是一种模型验证技术，可用于评估统计分析（模型）结果在其他独立数据集上的泛化能力。它主要用于预测，我们可以用它来评估预测模型在实践中的准确度。

什么是泛化（Generalization）能力呢？

在《[Machine Learning] 回归（Regression）》中有提到，这里简单说明一下：

泛化能力通俗来将是指学习到的模型对未知数据的预测能力。

交叉验证（Cross Validation）的目的

在实际训练中，模型通常对训练数据好，但是对训练数据之外的数据拟合程度差。因此，为了得到可靠稳定的模型，使用交叉验证可以在使用模型进行预测时，准确衡量一个模型在实际数据集上的效果。

交叉验证（Cross Validation）的基本思想

在某种意义下把原始数据进行分组，一部分作为训练集（Training Data），一部分作为验证集（Validation Set），还有一部分作为测试集（Testing Set）。

• 训练集

  训练集用于训练模型，即确定模型的参数

• 验证集

  验证集用于模型的选择<