机器学习第十九讲：交叉验证 → 用五次模拟考试验证真实水平

机器学习第十九讲：交叉验证 → 用五次模拟考试验证真实水平

资料取自《零基础学机器学习》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

交叉验证是模型考试的防作弊系统，通过多次划分考卷验证真实能力¹。通过驾校考试案例详解：

一、核心原理（驾照科目模拟考）

假设驾校有100名学员的考试数据，采用5折交叉验证：

flowchart LR
    总数据集 --> 分5份试卷 --> 轮流出题 --> 成绩取平均

考试流程：

1. 将100人分5组（每组20人）
2. 4组当题库，1组当考题 → 五轮考试不重复 [参考材料3]
3. 最终成绩 = (88%+85%+90%+92%+87%)/5 = 88.4%

类比说明：就像高考前五套模拟卷覆盖全部知识点，比单次考试更客观²

二、操作步骤（心脏病预测案例）

数据集：300例患者数据（200例患病，100例健康）

graph TD
    A[原始数据300例] --> B[拆成5份各60例]
    B --> C1[训练集240例] --> D1[模型1成绩85%]
    B --> V1[验证集60例]
    B --> C2[训练集240例] --> D2[模型2成绩83%]
    B --> V2[验证集60例]
    B --> C3[...] --> D5[模型5成绩88%]

代码实现：

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)
print("平均准确率:", scores.mean())  # 输出：86.2%

关键优势：避免因单次抽题偏差（如考题全是疑难病例）影响评估²

三、分场景应用（不同考试模式对比）

验证方式	特点	适用场景	[参考材料3]
简单划分验证	快速但成绩波动大	大数据集初步筛选
5折交叉验证	均衡效率与准确性	中小数据集标准流程
10折交叉验证	更精准但耗时增加10倍	精细调参研究

案例对比：

• 单次验证成绩：92%（可能抽到简单题）
• 5次交叉验证：88.4%（反映真实水平）
• 实际考试结果：86%（接近交叉验证均值）³

四、注意事项（防止无效验证）

1. 数据打乱：需先随机排序，避免时间顺序干扰 [参考材料3]

   from sklearn.utils import shuffle
   X, y = shuffle(X, y, random_state=0)

2. 分层抽样：保持正负样本比例相同，如每组保持2:1病患健康比例²
3. 避免泄漏：预处理步骤（如标准化）应在每次训练时重新计算⁴

典型错误：

graph LR
    错误流程 --> 全数据标准化 --> 后分割训练集测试集 --> 分数虚高
    正确流程 --> 先分割训练测试 --> 训练集统计 --> 应用到测试集

---

目录：总目录
上篇文章：机器学习第十八讲：混淆矩阵 → 诊断模型在医疗检查中的误诊情况

---

³²⁴《零基础学机器学习》第八章第三节验证方法
¹《零基础学机器学习》第八章第三节验证方法

---

1. 8-2 ↩
2. 3 ↩
3. 2 ↩
4. 5 ↩