Model Evaluation Methods¶
模型评估方法
Cross-Validation 交叉验证¶
K-Fold Cross-Validation K折交叉验证¶
K折交叉验证是一种将数据集划分为K个大小相似的互斥子集（即“折”）来训练和评估模型的方法。
它的核心流程是： 每次用其中K-1折的数据训练模型，剩下的1折数据验证模型性能， 这个过程重复K次，确保每折数据都恰好做过一次验证集，最终将K次验证结果的平均值作为模型的最终评估指标。
Info
特例：
- K=10: 即十折交叉验证 10-Fold Cross-Validation
- K=5: 即五折交叉验证 5-Fold Cross-Validation
其中：
十折交叉验证是应用最广泛的选择。 它在模型评估的偏差（Bias，即评估结果偏离真实水平的程度）和方差（Variance，即评估结果受数据波动影响的程度）之间取得了较好的平衡，计算开销也相对适中。
五折交叉验证计算量更小（只需训练5次），但评估结果的稳定性可能略低于十折，常用于数据集较大或模型训练耗时较长的情况。