本文介绍了模型评估中的交叉验证概念，包括其意义、优缺点及常见划分策略，如K折交叉验证、留一法和分组交叉验证。交叉验证能减少随机性影响，提高模型评估的稳定性和准确性，但会增加计算成本。不同场景下可选择不同的交叉验证策略，如大型数据集可能适合使用打乱划分，小型数据集或高度相关的样本则适用留一法或分组交叉验证。
1、划分训练集和测试集的意义？
回答：训练集用于构建和训练模型，可评估模型的拟合效果；测试集用于评估模型的泛化能力。通过比较训练集和测试集的score，可以判断模型是否存在过拟合或欠拟合问题。
2、交叉验证是什么？
回答：交叉验证（cross-validation)是一种评估给定算法在特定数据集上泛化性能的统计学方法，它有效减少了单次划分训练集和测试集方法的随机性对模型的影响，更加稳定、全面。交叉验证是参数调优的重要手段之一。
3、交叉验证的优缺点？
回答：①优点包括：其一，提供模型对训练集选择的敏感性信息；其二，对数据的使用更加高效，更多的数据通常可以得到更为精确的模型。②缺点是增加了计算成本。
4、交叉验证中常用的划分策略有哪些？
回答：划分策略包括K折交叉验证（KFold）、留一法交叉验证（leave-one-out）、打乱划分交叉验证（shuffle-split cross-validation)、分组交叉验证（GroupKFold）等等。在cross_val_score的参数cv中设置划分策略。
5、cross_val_score
from sklearn.model_selection import cross
最低0.47元/天 解锁文章
扫一扫
863
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
