使用与数据集相比太小的 K 值会产生什么后果？
问问题
656 次
2 回答
0
的值K指定您计划将数据集拆分成的折叠数。较小的值K意味着数据集被分成较少的部分，但每个部分包含较大百分比的数据集。
获取一个有 100 行的数据集。
- 2 折交叉验证 - 每折将包含 50 行。
- 10 折交叉验证 - 每折将包含 10 行。
这样，在训练时，10 折交叉验证将有 90-10 的训练测试拆分，而 2 折交叉验证将有 50-50 的训练测试拆分。
使用更多折叠，将为模型提供更多要训练的数据，但需要更多时间，因为它必须K单独训练和验证时间。
于 2019-12-23T13:26:52.093 回答
0
K-fold Cross-validation 中的 K 表示我们希望将训练数据分成多少等份，并对给定的有限训练数据执行 K 次重新采样。
正面：
- 即使数据有限，也可以开发出一个好的模型。
- 我们得到了超参数的最佳值（KNN 中的 k，朴素贝叶斯中的 alpha 等），这为我们提供了最佳性能指标（准确度、AUC、精度等）。
负面：
- 当我们训练模型 K 次时，计算最优超参数所需的时间增加了 K 次。
于 2019-12-23T14:03:43.883 回答