本文介绍了交叉验证作为数据集划分的方法，通过k折确保模型评估的可靠性。同时，网格搜索针对模型的超参数进行优化，两者结合解决模型训练中的参数调优问题，以手写数字识别为例，展示了如何通过API实现这两种技术的应用。
交叉验证
定义：
是一种数据集的分割方法，将训练集划分为 n份，拿一份做验证集 （测试集）、其他n-1份做训练集
原理：
-
第一次：把第一份数据做验证集，其他数据做训练
-
第二次：把第二份数据做验证集，其他数据做训练
-
... 以此类推，总共训练4次，评估4次。
-
使用训练集+验证集多次评估模型，取平均值做交叉验证为模型得分
-
若k=5模型得分最好，再使用全部训练集(训练集+验证集) 对k=5模型再训练 一边，再使用测试集对k=5模型做评估
网格搜索
定义：
1.模型有很多超参数，其能力也存在很大的差异。需要手动产生很多超参数组合，来训练模型
2.每组超参数都采用交叉验证评估，最后选出最优参数组合建立模型。
组合：
1.交叉验证解决模型的数据输入问题(数据集划分)得到更可靠的模型
2.网格搜索解决超参数的组合
3.两个组合再一起形成一个模型参数调优的解决方案
交叉验证网格搜索 – API和应用举例
交叉验证网格搜索API介绍：
手写数字识别：
扫一扫
1404
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
