什麼是交叉驗證（Cross-validation）
將資料分成k組，以其中1組作為評估用、其餘作為訓練用來進行訓練與評估，並輪流更換評估用的組別重複k次，以k次評估的平均來估計模型性能的方法（k折交叉驗證）。所有資料都恰好被用來評估一次，因此能有效利用有限的資料，並減少因資料分法不同而造成的評估變異。用於調整超參數與選擇模型，計算量約為k倍。
日文名稱: 交差検証
「交叉驗證（Cross-validation）」出現在1領域的2道練習題中（機器學習基礎等）。
這個名詞所屬的領域: 機器學習基礎
練習交叉驗證（Cross-validation）的題目
以1000筆資料進行5折交叉驗證（k = 5 的k折交叉驗證）時，每一回訓練使用的資料筆數為何者？
- A200筆
- B800筆
- C1000筆
查看答案與解析
正確答案：B. 800筆
k折交叉驗證將資料分成k組，以其中1組作為評估用、其餘k − 1組作為訓練用來進行訓練與評估。輪流更換評估用的組別重複k次，並以k次評估的平均作為模型的性能。5折時每組為1000 ÷ 5 = 200筆，因此每回訓練使用200 × 4 = 800筆，共訓練5次。所有資料都恰好被用於評估一次，因此即使資料少也能穩定地估計性能。
解析中的「交叉驗證（Cross-validation）」
k折交叉驗證將資料分成k組，以其中1組作為評估用、其餘k − 1組作為訓練用來進行訓練與評估。
以1000筆資料進行5折交叉驗證（k = 5 的k折交叉驗證）時，每一回訓練使用的資料筆數為何者？一般而言，模型越複雜偏差越小、變異越大，因此要以驗證資料或交叉驗證，選擇兩者取得平衡的複雜度。
將模型的誤差分成偏差（bias）與變異（variance）來思考時，下列何者適當？
出現「交叉驗證（Cross-validation）」的題目（2題）
相關名詞
期望值 過擬合（Overfitting） 主成分分析（PCA） 正規化（Regularization） 卷積神經網路（CNN） 非監督式學習（Unsupervised learning） 強化學習（Reinforcement learning） 啟動函數（Activation function） 梯度下降法（Gradient descent） 混淆矩陣（Confusion matrix）