算法工程师面试题八之交叉验证

墨蓝 2023-01-08 12:26 169阅读 0赞

# 1.train/dev/test data #

我们将数据划分为训练集、验证集（也称开发集：development data）和测试集。

## 1.1 为什么要分成三类？ ##

在训练集上训练模型，在验证集上评估模型，一旦找到的最佳的参数，就在测试集上最后测试输出（一般来说，论文中的模型效果都是使用这个测试集的结果），测试集上的误差作为泛化误差的近似。  
关于验证集的划分可以参考测试集的划分，其实都是一样的，这里不再赘述。

可以简单地将上述三者对应学习过程：  
训练集看成是家庭作业；  
开发（验证）集看出是小测试；  
测试集看成是期末考试。

# 2.交叉验证（cross-validation） #

## 2.1 为什么要这么做？ ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70_pic_center]  
上图说明的问题是：如果采用不同的 `Training set,validation set` ，当模型取最佳效果时，超参数c可能落在不同的取值处所以我们就需要轮流验证（也就是交叉验证）。这么看来，其实交叉验证的根本原因是： 为了避免数据集太小，而带来对参数估计出现的问题。

## 2.2 目的 ##

**验证集用来调节超参数，** 可以得到效果更好的模型

## 2.3 做法 ##

将原始的训练集分成训练集和验证集，然后轮流取出一部分作为验证集进行验证，这种思想就是交叉验证。  
比如说，现在有五份数据集：`A,B,C,D,E,F` 然后我们将其中的每一份都轮流作为验证集，这样做的目的是为了剔除“验证集”的随机性，因为可能某份验证集就存在数据倾斜的情况，如果拿5份数据分别作为验证集那么就可以避免数据集不平整带来的**调参失败**问题。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70_pic_center 1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221119/2e4326043167473d8895776869dfc460.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdTE2NjU5_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221119/a6f9b2031e4840499dbdc585b029cfbf.png