K-折交叉验证更深层次的讨论

首先我在网上看到这样一句话

交叉验证的目的：当数据量较少时，交叉验证可以评估模型的泛化能力，从而进行模型选择

随之而来就有了疑问

1. 这个数据量较少，是多少，一般多少是较少，需要交叉验证了。
2. 交叉验证为什么可以用来评估模型的泛化能力

接下来就开始找这些疑问的答案！

 第一个问题：找了一圈，没有找到合适的解答。我自己的理解是要看情况数据量在几百的大小的时候应该需要，在上万的数据量时可以不用，这个需要看具体的情况。

第二个问题：为什么可以评估模型的泛化能力。k-1训练，另外一份测试，只要测试集不参与训练的过程，所训练出来的模型就是具有一定的泛化能力的。

k折交叉验证的原理简单理解

k折，就是k次，k种训练测试集划分方式。

它将训练数据分成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。

• 优点：能比较鲁棒性地评估模型在未知数据上的性能．
• 缺点：计算复杂度较大．因此，在数据集较大，模型复杂度较高，或者计算资源不是很充沛的情况下，可能不适用，尤其是在训练深度学习模型的时候．

下面思考一个问题，我的框架用的是keras，如何在Keras中实现呢

网上找到的是里有sklearn工具包来划分，有待进一步研究！