K折验证

K折验证（K-fold validation）将数据划分为大小相同的\(K\)个分区。对于每个分区\(i\)，在剩余的\(K-1\)个分区上训练模型，然后在分区\(i\)上评估模型。最终分数等于K个分数的平均值。对于不同的训练集-测试集划分，如果模型性能的变化很大，那么这种方法很有用。K折验证也需要独立的验证集进行模型验证。示意图见下图：

代码如下所示：

k = 4
num_validation_samples = len(data)  //  k

np.random.shuffle(data) #通常需要打乱数据

validation_scores = []
for fold in range(k):
    print('processing fold #', i)
    # 选择验证数据分区
    validation_data = data[num_validation_samples * fold:
      num_validation_samples * (fold + 1)]
    # 使用剩余数据作为训练数据。注意，+运算符是列表合并，不是求和
    training_data = data[: num_validation_samples * fold] +
      data[num_validation_samples * (fold + 1):]
    # 创建一个全新的模型实例（未训练）
    model = build_model()
    model.train(train_data)
    validation_score = model.evaluate(validation_data)
    validation_scores.append(validation_score)

# 最终验证分数：K折验证分数的平均值
validation_score = np.average(validation_scores)

# 在所有非测试数据上训练最终模型
model = get_model()
model.train(data)
test_score = model.evaluate(test_data)

转载于:https://www.cnblogs.com/DyerLee/p/10765040.html