K折交叉验证

交叉验证的思想

　　交叉验证主要用于防止模型过于复杂而引起的过拟合，是一种评价训练数据的数据集泛化能力的统计方法。其基本思想是将原始数据进行划分，分成训练集和测试集，训练集用来对模型进行训练，测试集用来测试训练得到的模型，以此来作为模型的评价指标。

简单的交叉验证

　　将原始数据D按比例划分，比如7：3，从D中随机选择70%的数据作为训练集train_data，剩余的作为测试集test_data(绿色部分)。如下图所示，这里的数据都只利用了一次，并没有充分利用，对于小数据集，需要充分利用其数据的信息来训练模型，一般会选择K折交叉验证。

　　

 K折交叉验证

　　将原始数据D随机分成K份，每次选择（K-1）份作为训练集，剩余的1份（红色部分）作为测试集。交叉验证重复K次，取K次准确率的平均值作为最终模型的评价指标。过程如下图所示，它可以有效避免过拟合和欠拟合状态的发生，K值的选择根据实际情况调节。

　　

 

python实现

　　使用scikit-learn模块中的方法KFold，示例如下：

from sklearn.model_selection import KFold
import numpy as np
x = np.array(['B', 'H', 'L', 'O', 'K', 'P', 'W', 'G'])
kf = KFold(n_splits=2)
d = kf.split(x)
for train_idx, test_idx in d:
    train_data = x[train_idx]
    test_data = x[test_idx]
    print('train_idx:{}, train_data:{}'.format(train_idx, train_data))
    print('test_idx:{}, test_data:{}'.format(test_idx, test_data))

# train_idx:[4 5 6 7], train_data:['K' 'P' 'W' 'G']
# test_idx:[0 1 2 3], test_data:['B' 'H' 'L' 'O']
# train_idx:[0 1 2 3], train_data:['B' 'H' 'L' 'O']
# test_idx:[4 5 6 7], test_data:['K' 'P' 'W' 'G']