交叉驗證的優(yōu)點：

原始采用的train_test_split方法，數(shù)據(jù)劃分具有偶然性;交叉驗證通過多次劃分，大大降低了這種由一次隨機劃分帶來的偶然性，同時通過多次劃分，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，對數(shù)據(jù)的使用效率更高，train_test_split，默認訓(xùn)練集，測試集比例為3:1，而對交叉驗證來說，如果是5折交叉驗證，訓(xùn)練集比測試集為4:1;10折交叉驗證訓(xùn)練集比測試集為9:1.數(shù)據(jù)量越大，模型準確率越高!

交叉驗證的缺點：

這種簡答的交叉驗證方式，從上面的圖片可以看出來，每次劃分時對數(shù)據(jù)進行均分，設(shè)想一下，會不會存在一種情況：數(shù)據(jù)集有5類，抽取出來的也正好是按照類別劃分的5類，也就是說第一折全是0類，第二折全是1類，等等;這樣的結(jié)果就會導(dǎo)致，模型訓(xùn)練時。沒有學(xué)習(xí)到測試集中數(shù)據(jù)的特點，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證方式。

Stratifidk-foldcrossvalidation

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

通常情況下，可以設(shè)置cv參數(shù)來控制幾折，但是我們希望對其劃分等加以控制，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，用來控制劃分。

以上內(nèi)容為大家介紹了python交叉驗證，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機構(gòu):千鋒教育。