本文解析了交叉验证如何通过分割数据集并独立评估模型，防止过拟合现象。通过对比不同超参数设置下的模型表现，选取最优参数，进而提升模型泛化能力。
为什么说交叉验证能 防止过拟合呢？
交叉验证 把 原始数据分成可 K 块 ，用每次用其中的 K-1块训练， 用 余下的 一块进行预测，
这样做，让算法在训练的时候没有接触过 余下来的那一块数据子集中的内容，这样，在对 余下这一块进行预测时，
算法只能靠他学会的本领来进行预测---------> 就是用学到的参数来预测。
但是，算法还是有超参数的：我们每次都需要主观选择超参数给算法才行，但是不同的超参数会导致模型有不同的效果，假设我们有四个超参数【1，10，100，1000】，我们运行10折交叉验证（既 训练了40个模型）， 每次我们都用10个训练出来的模型的平均值 来表示 当前 超参数的效果。
所以 我们比较了 4 个超参数的效果后，我们能找到一个更加 好的超参数，我们再用全量的数据 在该超参数上训练模型。因此，这样训练出来的模型是相对更优的，在一定程度上能避免 过拟合问题。
皮皮的 解释一下什么是过拟合：
比如说 语文老师 让同学A 解释一个句子： ‘某鲁迅先生的文章~~~~~~~~’
欠拟合： 差生： 这是个什么鬼东西，比例哔哩哔哩~~~~
过拟合： 语文老师的解释： ‘表面上看是~~~，但其实~~~~，本质上~~~~~~，反映了~~~~心情，烘托了~~~气氛~~~’
正常： 当时鲁迅先生觉得天色晚了，该休息了。
嗯哈 ，皮了一下， 正常的解释还是看书比较好哈
88
扫一扫
1474
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
