目录
前言
交叉验证的由来：在机器学习的过程中，我们不能将全部数据都用于数据的模型训练，否则会导致我们没有数据集对该模型进行验证，无法评估模型的预测效果。
一、交叉验证（Cross-Validation）
众所周知，模型训练的数据量越大时，通常训练出来的模型效果会越好，所以如何充分利用我们手头的数据呢？
1-1、LOOCV（Leave-One-Out Cross Validation）
这个方法是将数据集分为训练集和测试集，只用一个数据作为测试集，其它的数据都作为训练集，并将此步骤重复N次。
结果就是我们训练了n个模型，每次都得到一个MSE，计算最终的MSE就是将这n个MSE取平均。
缺点是计算量太大。
1-2、K-fold Cross Validation
为了解决LOOCV计算量太大的问题，我们提出了K折交叉验证，测试集不再只是包含一个数据，而是包含多个数据，具体数目根据K的选取而决定，比如说K=5。即：
1、将所有数据集分为5份。
2、不重复地每次取其中一份作为测试集，其它四份做训练集来训练模型，之后计算该模型在测试集上的MSE
3、5次的MSE取平均，就得到最后的MSE。
优点：
1、相比于LOOCV，K折交叉验证的计算量小了很多，而且和LOOCV估计很相似，效果差不多
2、K折交叉验证可以有效的避免过拟合和欠拟合的发生。
1-3、k的选取
根据经验，k一般都选择为5或者是10。
二、K折交叉验证实战。
参考文章
【机器学习】Cross-Validation（交叉验证）详解.
交叉验证（Cross Validation）.
总结
提示：