Cross validation
-
测试数据 是对我们模型性能的最终测试。
-
我们是否总是依赖 测试数据 进行模型评价和选择?
-
它并不总是可用的
-
没有平均误差估计：取决于怎么分的组
-
我们可能会对测试数据进行“过度拟合”：
-
相关文章
- 10-26Numpy实现机器学习交叉验证的数据划分
- 10-26机器学习sklearn（二十三）： 模型评估（三）交叉验证：评估估算器的表现（三） 交叉验证迭代器
- 10-26机器学习入门-交叉验证选择参数(数据切分)train_test_split(under_x, under_y, test_size, random_state), (交叉验证的数据切分)KFold， recall_score(召回率)
- 10-26机器学习基础——详解机器学习损失函数之交叉熵
- 10-26机器学习sklearn（二十一）： 模型评估（一）交叉验证：评估估算器的表现（一）简介
- 10-26机器学习1：scikit-learn简介（3）—— 交叉验证
- 10-26scikit基础与机器学习入门（11） 欠拟合，过拟合和交叉验证
- 10-26【机器学习基础】CH2 - 监督学习(?)交叉验证
- 10-26机器学习--K折交叉验证和非负矩阵分解
- 10-26机器学习基础：(Python)训练集测试集分割与交叉验证