参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 75 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解
动机
- 单次划分的评估结果依赖随机切分,方差大;若用同一测试集反复调参会数据泄露/过拟合测试集。交叉验证用多次划分取平均,更稳定地估计泛化能力。
k 折交叉验证
- 将训练集分成 k 个大小相近的折;
- 轮流用 k-1 折训练、1 折验证,得到 k 个分数;
- 报告平均与标准差作为性能估计。
- scikit-learn:
cross_val_score(clf, X, y, cv=5)。
常见策略
- KFold:均分,回归默认;
- StratifiedKFold:每折保持类别比例与原数据一致,分类任务默认(避免某折某类缺失);
- Leave-One-Out(LOO):k=n,样本极少时用;
- ShuffleSplit / TimeSeriesSplit:时间序列须按时间顺序滚动切分,禁止随机打乱未来信息。
注意:交叉验证用于选模型/调超参;最终仍应保留一个从未参与的测试集做最终评估。预处理(如标准化)须在每折的「训练部分」拟合并应用到验证部分,避免泄露。