机器学习笔记 - 基于pytorch和tensorflow的K折交叉验证

一、概述

        机器学习模型经过训练后必须使用测试集进行评估。我们这样做是为了确保模型没有过度拟合，并确保它们适用于现实生活中的数据集，与训练集相比，这些数据集的分布可能略有偏差。

        模型评估通常通过保留拆分执行，其中通常进行 80/20 拆分，并且80%的数据集用于训练模型。 20% 用于评估模型。但是为了使模型真正健壮，仅使用训练/测试拆分进行评估可能还不够。K-fold 交叉验证。通过跨多个折叠生成训练/测试拆分，您可以使用不同的拆分执行多个训练和测试会话。另外我们将了解如何将 K 折交叉验证与 PyTorch、Tensorflow 结合使用。

        K-fold交叉验证 

         K-fold交叉验证是一种更强大的评估技术。 它将原始数据分成K组(K-Fold)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。

  &nb