机器学习100天，今天讲的是：K 折交叉验证！

《机器学习100天》完整目录：目录

机器学习中，我们常会遇到一个问题，就是超参数的选择，超参数就是机器学习算法中的调优参数，比如上一节 K 近邻算法中的 K 值。K 折交叉验证就是帮助我们选择最优的超参数。

首先，介绍一下简单交叉验证。简单交叉验证就是将原始数据集随机划分成训练集和验证集两部分。例如将样本按照 70%~30% 的比例分成两部分，70% 的样本用于训练模型；30% 的样本用于模型验证。

简单交叉验证有两个缺点：（1）数据都只被所用了一次，没有被充分利用；（2）验证集上的效果与原始分组有很大关系。

K 折交叉验证是简单交叉验证的升级。如下图所示，它的做法是：

• 1、首先，将全部样本划分成 K 个大小相等的子集，例如 k=10；
• 2、依次遍历这 K 个子集，每次把当前子集作为验证集，其余所有样本作为训练集，进行模型的训练和评估；
• 3、最后把 K 次评估指标的平均值作为最终的评估指标。

需要特别注意的是࿰