交叉驗證主要分成以下幾類：
1）k-folder cross-validation:k個子集，每個子集均做一次測試集，其餘的作為訓練集。交叉驗證重複k次，每次選擇乙個子集作為測試集，並將k次的平均交叉驗證識別正確率作為結果。優點：所有的樣本都被作為了訓練集和測試集，每個樣本都被驗證一次。10-folder通常被使用。
2）k * 2 folder cross-validation是k-folder cross-validation的乙個變體，對每乙個folder，都平均分成兩個集合s0,s1，我們先在集合s0訓練用s1測試，然後用s1訓練s0測試。優點是：測試和訓練集都足夠大，每乙個個樣本都被作為訓練集和測試集。一般使用k=10
3)least-one-out cross-validation(loocv)假設dataset中有n個樣本，那loocv也就是n-cv，意思是每個樣本單獨作為一次測試集，剩餘n-1個樣本則做為訓練集。
優點：1）每一回合中幾乎所有的樣本皆用於訓練model，因此最接近母體樣本的分布，估測所得的generalization error比較可靠。
2）實驗過程中沒有隨機因素會影響實驗資料，確保實驗過程是可以被複製的。但loocv的缺點則是計算成本高，為需要建立的models數量與總樣本數量相同，當總樣本數量相當多時，loocv在實作上便有困難，除非每次訓練model的速度很快，或是可以用平行化計算減少計算所需的時間。
-------十折交叉驗證：10-fold cross validation-------
英文名叫做10-fold cross-validation，用來測試演算法準確性。是常用的測試方法。將資料集分成十分，輪流將其中9份作為訓練資料，1份作為測試資料，進行試驗。每次試驗都會得出相應的正確率（或差錯率）。10次的結果的正確率（或差錯率）的平均值作為對演算法精度的估計，一般還需要進行多次10折交叉驗證（例如10次10折交叉驗證），再求其均值，作為對演算法準確性的估計。
之所以選擇將資料集分為10份，是因為通過利用大量資料集、使用不同學習技術進行的大量試驗，表明10折是獲得最好誤差估計的恰當選擇，而且也有一些理論根據可以證明這一點。但這並非最終診斷，爭議仍然存在。而且似乎5折或者20折與10折所得出的結果也相差無幾。
十折交叉驗證 crossvalind函式
indices crossvalind kfold n,k 該命令返回乙個對於n個觀察樣本的k個fold 意為折，有 層 之類的含義，感覺還是英文意思更形象 的標記 indices 該標記中含有相同 或者近似相同 比例的1 k的值，將樣本分為k個相斥的子集。在k fold交叉檢驗中，k 1個fold...
深度學習 十折交叉驗證
用scikit learn來評價模型質量，為了更好地挑揀出結果的差異，採用了十折交叉驗證 10 fold cross validation 方法。本程式在輸入層和第乙個隱含層之間加入20 dropout 採用十折交叉驗證的方法進行測試。dropout in the input layer with ...
十折交叉驗證和混淆矩陣
前面提到了資料集分為訓練集和測試集，訓練集用來訓練模型，而測試集用來測試模型的好壞，那麼單一的測試是否就能很好的衡量乙個模型的效能呢？答案自然是否定的，單一的測試集具有偶然性和隨機性。因此本文介紹一種衡量模型 比如分類器 效能的方法 十折交叉驗證 10 fold cross validation 什...