深度学习中常见的九种交叉验证方法汇总

目录

1. K折交叉验证（K-fold cross-validation）

2. 分层K折交叉验证（Stratified K-fold cross-validation）

3. 时间序列交叉验证（Time Series Split）

4. 留一交叉验证（Leave-One-Out Cross-Validation，LOOCV） 

5. 留P交叉验证（Leave-P-Out Cross-Validation，LPOCV）

6. 重复K折交叉验证（Repeated K-Fold Cross-Validation）

7. 留出交叉验证（Holdout Cross-Validation）

8. 自助采样交叉验证（Bootstrap Cross-Validation）

9. 蒙特卡洛交叉验证（Monte Carlo Cross-Validation）

10. 重复随机子采样交叉验证（Repeated Random Subsampling Cross-Validation）

---

方法	任务类型	划分方式	计算量	优点	缺点	适用场景
K折交叉验证	通用	将数据集分为 K 个子集，每次选取一个子集作为验证集	中等	充分利用数据，可以更准确地评估模型性能	计算量较大	通用
分层K折交叉验证	通用	类似于 K 折交叉验证，但保持每个折中类别比例	中等	对于不平衡数据集，保证了每个折中的类别比例	计算量较大	数据不平衡时
时间序列交叉验证	时间序列数据	根据时间顺序划分数据，保证训练集在测试集之前	低	考虑了时间序列数据的顺序性，适合于时间序列预测任务	不适用于非时间序列数据	时间序列预测任务
留一交叉验证	通用	每次将一个样本作为验证集	高	最大程度利用数据，评估结果准确	计算量巨大，效率低下	数据集较小时
留P交叉验证	通用	每次留下 P 个样本作为验证集	高	可以自定义留下的样本数量 P，适用于不同情况	计算量较大，效率低下	数据集较小时
重复K折交叉验证	通用	对 K 折交叉验证进行多次重复	高	提供更稳健的评估结果，减少因随机性引起的评估误差	计算量更大	需要更加稳健的评估结果
留出交叉验证	通用	将数据集划分为训练集和测试集，通常使用固定比例	低	计算量低，简单易用	不充分利用数据	数据集较大时
自助采样交叉验证	通用	通过自助采样的方式随机采样训练集	高	充分利用数据，对于小样本数据集效果好	计算量较大，可能会产生相似的训练样本，引入估计偏差	数据集较小，或者需要处理小样本数据时
蒙特卡洛交叉验证	通用	随机重复采样和验证	高	可以得到对数据的全面评估	计算量非常大	需要对模型进行全面评估时
重复随机子采样交叉验证	通用	通过随机