简单记录交叉验证（Cross Validation）

1 训练集 vs. 测试集

在模式识别与机器学习的相关研究中，经常会将数据集分为训练集跟测试集两个子集，前者用以建立模型，后者则用来评估该模型对未知样本进行预测时的精确度，正规的说法是泛化能力（generalization ability）。

将完整的数据集分为训练集跟测试集，必须遵守以下要点：

• 只有训练集才可以用在模型的训练过程中，测试集则必须在模型完成之后才被用来评估模型优劣的依据。
• 训练集中样本数量必须够多，一般至少大于总样本数的50%。
• 两组子集必须从完整集合中均匀取样。

其中最后一点特别重要，均匀取样的目的是希望减少训练集/测试集与完整集合之间的偏差（bias），但也不容易做到。一般的作法是随机取样，当样本数量足够时，便可达到均匀取样的效果，然而随机也正是此作法的盲点，也是经常可以在数据上做手脚的地方。举例来说，当辨识率不理想时，便重新取样一组训练集/测试集，直到测试集的识别率满意为止，但严格来说这样便算是作弊了。

2 交叉验证（Cross Validation）

统计，主要是从一堆数据中提取有用的信息。而模型在统计当中是极其重要的，在模型的基础上，我们利用数据对模型的参数进行估计，从而通过参数化后的模型来描述数据的内在关系，从而有助于对未来进行预测。

对于一个数据分析问题而言，可用的模型不只一个，不存在所谓最优的模型。某个模型在某个问题下，可能解释能力优于其他模型，但这并不意味着在该类问题下，该模型就是万能的，可能换一种评价标准，这种模型就不是最好的。我们的任务是从几个备选模型中，按照某种评价标准，选择出较为合理的一个模型。

一个直接的想法是比较各个模型的对数据的拟合效果。例如，对于一个x,y数据而言，线性回归的残差平方和可能比非线性回归的残差平方和要小，这时我们说，线性回归拟合效果更好，线性回归模型是理想的选择。

但是这种比较方式存在一种缺陷—过拟合问题。有些模型，对原始数据拟合相当好，但是它的预测效果却出奇的差。更重要的是，数据分析的最终目的并不是拟合数据，而是对未来进行预测。一个合理的模型一方面可以拟合原始数据，另一方面又应该可以以高准确率进行预测。所以进行模型选择时，要综合考虑这两方面因素。情况常常是，拟合效果和预测误差二者鱼和熊掌不能兼得，我们需要在二者之间寻找一种平衡。

交叉验证（Cross Validation）就是基于这样的考虑。

交叉验证是用来验证分类器的性能一种统计分析方法，基本思想是把在某种意义下将原始数据进行分组，一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练，再用验证集来测试训练得到的模型，以此来做为评价分类器的性能指标。

常见的交叉验证方法如下：

2.1 Hold-Out Method

将原始数据随机分为两组，一组做为训练集，一组做为验证集，利用训练集训练分类器，然后利用验证集验证模型，记录最后的分类准确率为此分类器的性能指标。此种方法的好处的处理简单，只需随机把原始数据分为两组即可，其实严格意义来说Hold-Out Method并不能算是CV，因为这种方法没有达到交叉的思想，由于是随机的将原始数据分组，所以最后验证集分类准确率的高低与原始数据的分组有很大的关系，所以这种方法得到的结果其实并不具有说服性。

2.2 Double Cross Validation（2-fold Cross Validation，记为2-CV）

做法是将数据集分成两个相等大小的子集，进行两回合的分类器训练。在第一回合中，一个子集作为training set，另一个便作为testing set；在第二回合中，则将training set与testing set对换后，再次训练分类器，而其中我们比较关心的是两次testing sets的辨识率。不过在实务上2-CV并不常用，主要原因是training set样本数太少，通常不足以代表母体样本的分布，导致testing阶段辨识率容易出现明显落差。此外，2-CV中分子集的变异度大，往往无法达到“实验过程必须可以被复制”的要求。

2.3 K-fold Cross Validation（K-折交叉验证，记为K-CV）

将原始数据分成K组（一般是均分），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。K一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2。K-CV可以有效的避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服性。

2.4 Leave-One-Out Cross Validation（记为LOO-CV）

如果设原始数据有N个样本，那么LOO-CV就是N-CV，即每个样本单独作为验证集，其余的N-1个样本作为训练集，所以LOO-CV会得到N个模型，用这N个模型最终的验证集的分类准确率的平均数作为此下LOO-CV分类器的性能指标。相比于前面的K-CV，LOO-CV有两个明显的优点：

• 每一回合中几乎所有的样本皆用于训练模型，因此最接近原始样本的分布，这样评估所得的结果比较可靠。
• 实验过程中没有随机因素会影响实验数据，确保实验过程是可以被复制的。

但LOO-CV的缺点则是计算成本高，因为需要建立的模型数量与原始数据样本数量相同，当原始数据样本数量相当多时，LOO-CV在实作上便有困难几乎就是不显示，除非每次训练分类器得到模型的速度很快，或是可以用并行化计算减少计算所需的时间。

3 使用Cross-Validation时常犯的错误

由于实验室许多研究都有用到 evolutionary algorithms（EA）与 classifiers，所使用的 fitness function 中通常都有用到分类器的辨识率，然而把cross-validation 用错的案例还不少。

前面说过，只有训练集才可以用于模型的建构，所以只有训练集的辨识率才可以用在 fitness function 中。而 EA 是训练过程用来调整模型最佳参数的方法，所以只有在 EA结束演化后，模型参数已经固定了，这时候才可以使用测试集。

Cross-validation 的本质是用来估测(estimate)某个模型对一组数据集的 generalization error，不是用来设计分类器的方法，所以 cross-validation 不能用在 EA的 fitness function 中，因为与 fitness function 有关的样本都属于训练集。

如果某个 fitness function 中用了cross-validation 的 training 或 test 辨识率，那么这样的实验方法已经不能称为 cross-validation 了。

EA 与 k-CV 正确的搭配方法，是将数据分成 k 等份的子集后，每次取 1份子集作为测试集，其余 k-1 份作为训练集，并且将该组训练集套用到 EA 的 fitness function 计算中(至于该训练集如何进一步利用则没有限制)。因此，正确的 k-CV 会进行共 k 次的 EA 演化，建立 k 个分类器。而 k-CV 的 test 辨识率，则是 k 组测试集对应到 EA 训练所得的 k 个分类器辨识率之平均值。

本篇博客转载自以下博客：
交叉验证（Cross Validation）简介
交叉验证