ASPICE 4.0-ML机器学习模型的重要概念-K-fold across validation-亚远景

发表时间：2024-01-19 作者：亚远景返回列表

K-fold确认方法，也被称为k-fold交叉验证，是一种评估机器学习模型性能的常用方法。该方法将原始数据集分成K个互不重叠的子集，每个子集都称为一个"fold"。具体操作中，每次会选取其中一个子集作为测试集，剩余的K-1个子集作为训练集。通过这种方式，我们可以得到K个模型。然后，根据这K个模型在各自的测试集上的表现来评估并平均它们的误差。

举个例子，假设我们有一个包含100个样本的数据集，我们选择将其分为5个互不相交的子集（即K=5）。在第一轮中，前20个样本作为测试集，剩下的80个样本作为训练集。构建好模型后，我们在测试集上进行评估。然后，我们将训练集和测试集的角色互换，重新训练模型并进行评估。这个过程重复5次（即K的值），每次选择一个不同的子集作为测试集。最后，我们将这5次的结果进行平均，得到模型的平均误差，从而对模型的性能进行评估。