交叉驗(yàn)證的優(yōu)點(diǎn)：

原始采用的train_test_split方法，數(shù)據(jù)劃分具有偶然性;交叉驗(yàn)證通過多次劃分，大大降低了這種由一次隨機(jī)劃分帶來(lái)的偶然性，同時(shí)通過多次劃分，多次訓(xùn)練，模型也能遇到各種各樣的數(shù)據(jù)，從而提高其泛化能力

與原始的train_test_split相比，對(duì)數(shù)據(jù)的使用效率更高，train_test_split，默認(rèn)訓(xùn)練集，測(cè)試集比例為3:1，而對(duì)交叉驗(yàn)證來(lái)說(shuō)，如果是5折交叉驗(yàn)證，訓(xùn)練集比測(cè)試集為4:1;10折交叉驗(yàn)證訓(xùn)練集比測(cè)試集為9:1.數(shù)據(jù)量越大，模型準(zhǔn)確率越高!

交叉驗(yàn)證的缺點(diǎn)：

這種簡(jiǎn)答的交叉驗(yàn)證方式，從上面的圖片可以看出來(lái)，每次劃分時(shí)對(duì)數(shù)據(jù)進(jìn)行均分，設(shè)想一下，會(huì)不會(huì)存在一種情況：數(shù)據(jù)集有5類，抽取出來(lái)的也正好是按照類別劃分的5類，也就是說(shuō)第一折全是0類，第二折全是1類，等等;這樣的結(jié)果就會(huì)導(dǎo)致，模型訓(xùn)練時(shí)。沒有學(xué)習(xí)到測(cè)試集中數(shù)據(jù)的特點(diǎn)，從而導(dǎo)致模型得分很低，甚至為0，為避免這種情況，又出現(xiàn)了其他的各種交叉驗(yàn)證方式。

Stratifidk-foldcrossvalidation

分層交叉驗(yàn)證(Stratifiedk-foldcrossvalidation)：首先它屬于交叉驗(yàn)證類型，分層的意思是說(shuō)在每一折中都保持著原始數(shù)據(jù)中各個(gè)類別的比例關(guān)系，比如說(shuō)：原始數(shù)據(jù)有3類，比例為1:2:1，采用3折分層交叉驗(yàn)證，那么劃分的3折中，每一折中的數(shù)據(jù)類別保持著1:2:1的比例，這樣的驗(yàn)證結(jié)果更加可信。

通常情況下，可以設(shè)置cv參數(shù)來(lái)控制幾折，但是我們希望對(duì)其劃分等加以控制，所以出現(xiàn)了KFold，KFold控制劃分折，可以控制劃分折的數(shù)目，是否打亂順序等，可以賦值給cv，用來(lái)控制劃分。

以上內(nèi)容為大家介紹了python交叉驗(yàn)證，希望對(duì)大家有所幫助，如果想要了解更多Python相關(guān)知識(shí)，請(qǐng)關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。