1 交叉验证数据设计 Iris 数据集由 150 个具有 1 个整数标签的 4 维向量样本组成。有 3 个不同的标签，每个标签正好有 50 个样本。我们首先要进行 5 折交叉验证，如下所示：
第1类，将数据分为5折：样本号1-10、11-20、21-30、31-40、41-50，分别命名为f11、f12、f13、f14、f15 .
对于第 2 类，其折叠为 f21、f22、f23、f24 和 f25。
对于第 3 类，其折叠为 f31、f32、f33、f34 和 f35。
通过 R1 = {f11, . . ., f14, f21, . . ., f24, f31, . . ., f34 }，以及由 T1 = {f15, f25, f35 } 设置的测试集。
使用 R1 训练上述 6 个高斯分类器，在 T1 上计算准确率。
对 R2-R5 和 T2-T5 重复上述操作，以获得 5 个精度。
找到平均准确度，并确定鸢尾花数据集的最佳高斯分类器。
2 支持向量机 SVM 的超参数是 C（不可分离性）和内核特定的参数。使用 5 折交叉验证
- 确定多项式核函数的最佳 C 和次数（阶、秩等）。
- 确定最佳C和高斯核函数的标准差（或称为
RBF 内核的参数）。这些超参数选择过程称为网格搜索，因为离散参数选择的组合构成了多维向量空间中的网格，我们查看每个网格以找到最佳超参数集。关键的设计问题是离散连续参数空间的选择：例如，通常选择 C = {1, 10, 100, . . .}。