numpy模拟交叉验证

使用交叉验证的原因：
（1）样本数量比较少，当划分了训练集和测试集后，用于模型训练的样本就更少了
（2）训练集和测试集的不同划分，会导致不同的模型性能结果

K折验证
K折交叉验证就是将样本数据集划分为大小相同的K个分区，对每个分区i再剩余的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，使用平均值来消除训练集和测试集的划分影响。

使用Numpy模拟机器学习的交叉验证算法

模拟一个样本数据集

import numpy as np
sample=np.arange(36).reshape(9,4)#创建了9个样本，每个样本4个特征
#使用numpy实现k层划分 假设进行4层划分
k=4
k_sample_count=sample.shape[0]//k
#遍历每层划分的训练集和测试集
for fold in range(k):
    validation_start=k_sample_count*fold
    validation_end=k_sample_count*(fold+1)
    validation_data=sample[validation_start:validation_end]
    #将除算选的验证样本集外，其他的样本重新堆叠成一个数据为训练集
    train_data=np.vstack([sample[:validation_start],sample[validation_end:]])
    print("####第",fold,"折划分结果######")
    print("验证集",validation_data)
    print("训练集",train_data)

结果显