K-fold验证
在常规准确度评估中，我们将样本分成训练和验证两部分。在 k 倍交叉验证中，这一步骤会重复多次，将数据分成多个子集（即折叠集），将其中一个折叠集作为验证集，并在其余折叠集上训练模型。这一过程会重复多次，并对每个验证步骤的准确度指标进行平均，从而对模型的性能做出更可靠的估计。
K-fold交叉验证是一种用于评估机器学习模型性能的方法。在K-fold交叉验证中，数据集被分为K个相等大小的子集，其中K-1个子集用于训练模型，而剩下的1个子集用于测试模型。这个过程重复K次，每次选择不同的测试子集。最后，将K次测试结果的平均值作为模型性能的评估指标。
K-fold交叉验证的优点是可以更全面地评估模型的性能，因为它使用了所有的样本进行训练和测试。它还可以减少模型性能评估的方差，因为每次测试结果都是基于不同的数据子集。另外，K-fold交叉验证也可以用于选择模型的超参数，比如决定模型的复杂度。
K-fold交叉验证的步骤如下：
1. 将数据集划分为K个相等大小的子集。
2. 对于每个子集，使用其他K-1个子集进行训练模型。
3. 使用测试子集来评估模型的性能。
4. 重复步骤2和步骤3，每次选择不同的测试子集。
5. 计算K次测试结果的平均值作为模型性能的评估指标。
常用的K值是5和10，但也可以根据具体问题选择其他的K值。、
