在 k 折交叉验证中,我们基本上会进行多次交叉验证。 因此,在 k 倍交叉验证中,我们将数据集划分为`k`个相等大小的样本。 在许多`k`子样本中,保留了一个子样本作为用于测试模型的验证数据,其余`k-1`子样本用作训练数据。 然后,此交叉验证过程重复`k`次,每个`k`子样本中的每一个仅被使用一次作为验证数据。 然后可以将`k`结果平均,以产生单个估计。
在 k 折交叉验证中,我们基本上会进行多次交叉验证。 因此,在 K 折交叉验证中,我们将数据集划分为`k`个相等大小的样本。 在许多`k`子样本中,保留了一个子样本作为用于测试模型的验证数据,其余`k-1`子样本用作训练数据。 然后,此交叉验证过程重复`k`次,每个`k`子样本中的每一个仅被使用一次作为验证数据。 然后可以将`k`结果平均,以产生单个估计。
以下屏幕截图显示了 5 倍交叉验证的直观示例(`k = 5`):
以下屏幕截图显示了 5 倍交叉验证的直观示例(`k = 5`):
...
@@ -37,7 +37,7 @@
...
@@ -37,7 +37,7 @@
2. 我们将第二部分用于测试,其余部分用于培训,然后使用它来获得评估指标的第二估计。
2. 我们将第二部分用于测试,其余部分用于培训,然后使用它来获得评估指标的第二估计。
3. 我们将第三部分用于测试,将其余部分用于培训,依此类推。 这样,我们获得了评估指标的五种估计。
3. 我们将第三部分用于测试,将其余部分用于培训,依此类推。 这样,我们获得了评估指标的五种估计。
在 k 倍交叉验证中,观察到评估矩阵的`k`估计后,取其平均值。 这将使我们可以更好地估计模型的性能。 因此,我们可以通过 k 倍交叉验证获得`n`个估计数,而不是仅对这一评估指标进行一次估计,然后取平均值,以获得对性能的更好估计。 该模型。
在 K 折交叉验证中,观察到评估矩阵的`k`估计后,取其平均值。 这将使我们可以更好地估计模型的性能。 因此,我们可以通过 K 折交叉验证获得`n`个估计数,而不是仅对这一评估指标进行一次估计,然后取平均值,以获得对性能的更好估计。 该模型。