5折交叉验证_模型比较中的留一法交叉验证（Leave-One-Out Cross-Validation）

留一法交叉验证（Leave-One-Out Cross-Validation，LOO-CV）是贝叶斯模型比较重常见的一种方法。首先，常见的k折交叉验证是非常普遍的一种机器学习方法，即将数据集随机分为k份，其中训练集有（k-1）份，测试集占1份。例如，第一份数据可以用来测试基于剩下（k-1）份数据建立的模型的拟合度，然后将第二份数据作为测试集测试相应训练集的拟合度，以此类推。完成之后每份数据都恰好被用作一次测试集，对这k次测试的拟合度做平均，则可以得出这个模型的拟合度。这样每一个，优势是可以避免过拟合，同时有较好的拟合效果。然而它也存在一些问题，即不同的数据集划分方法会影响对模型的评估，这可能造成潜在的cherry-picking现象。

本文主要介绍留一法交叉验证，它是k折交叉验证的一种特例，因为它可以看做是当k等于样本量n时的n折交叉验证。这意味着每一个数据点都被用来测试，而所有剩下的（n-1）个数据点为相应的测试集（见题图）。

这其中一个比较重要的概念是expected log pointwise predictive density （elppd）：