K折交叉验证法（留一法）

在评估训练的模型时，如何准确评估模型的性能？从数据的角度来出发。

如果数据的量比较多的化，自然是评估模型比较准确的。但是如果数据的量比较少的话，那么如何用这些少的数据量（就自然具有偶然性，评估的模型也就偏向于这个可能的偶然性，那么这样评估的模型自然就是不准确的）来评估模型的性能呢？

数据量比较少的话，那就充分利用现有的数据进行评估，来避免数据所带来的偶然性。

采用的一种方法叫做K折交叉验证法（留一法）：

 一般把数据分成十份，依次取其中的一份作为测试集（验证集）来评估由剩下的九份作为训练集所训练的模型的性能，测试的结果就表示这个模型在当前所分的数据下的性能指标，当然这样重复十次，最后取十次的平均值来作为由这组数据所评估的模型的性能指标。

如果我们的数据量比较多时，是没必要采用这种方法的，会运行很慢。