交叉验证（Cross Validation）

用处：

      在实际的训练中，训练的结果对训练集的拟合程度通常还是挺好，但是对训练集之外的数据的拟合程度通常就不那么令人满意。

      因此我们通常并不会把所有的数据集都拿来训练，而是分出一部分来（这一部分不参加训练）对训练集生成的参数进行测试，相对客观的判断这些参数对训练集之外的数据的符合程度，适用解决遇到的过拟合或欠拟合情况。

 

基本思想：

      将原始数据(dataset)进行分组，一部分做为训练集(train set)，另一部分做为验证集(validation set or test set)。

      首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型(model)，以此来做为评价分类器的性能指标。

 

常见用法：

      1、简单交叉验证

      2、2-折交叉验证（2-fold Cross Validation，记为2-CV）

      3、K-折交叉验证（K-fold Cross Validation，记为K-CV）

   eg:

      十折交叉验证

      留一交叉验证（Leave-One-Out Cross Validation记为LOO-CV）

      https://blog.csdn.net/weixin_40475450/article/details/80578943

 

具体原理：

      https://zhuanlan.zhihu.com/p/24825503?refer=rdatamining