5折交叉验证_交叉验证：评估模型表现
注明：本文章所有代码均来自scikit-learn官方网站
在实际情况中，如果一个模型要上线，数据分析员需要反复调试模型，以防止模型仅在已知数据集的表现较好，在未知数据集上的表现较差。即要确保模型的泛化能力，它指机器学习对新鲜样本的适应能力。只有保证模型的泛化能力，模型的构建才有意义。因此，交叉验证在整个建模流程中显得尤为重要。
在开始分享之前，要搞清楚两个概念，即过拟合和欠拟合。其中，过拟合为模型在训练集的分数较高，在测试集表现的得分较低。欠拟合是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。相对过拟合，欠拟合现象并不经常出现。很容易想到的思路是将模型的拟合能力限制在过拟合和欠拟合之间，就会得
注明：本文章所有代码均来自scikit-learn官方网站 在实际情况中，如果一个模型要上线，数据分析员需要反复调试模型，以防止模型仅在已知数据集的表现较好，在未知数据集上的表现较差。即要确保模型的泛化能力，它指机器学习对新鲜样本的适应能力。只有保证模型的泛化能力，模型的构建才有意义。因此，交叉验证在整个建模流程中显得尤为重要。 在开始分享之前，要搞清楚两个概念，即过拟合和欠拟合。其中，过拟合为模型在训练集的分数较高，在测试集表现的得分较低。欠拟合是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。相对过拟合，欠拟合现象并不经常出现。很容易想到的思路是将模型的拟合能力限制在过拟合和欠拟合之间，就会得