你真的会用K折交叉吗（对于K折交叉的思考| 防止K折交叉踩坑）

满堂花醉三千客，一剑霜寒十四洲。这篇文章主要讲述你真的会用K折交叉吗？对于K折交叉的思考| 防止K折交叉踩坑相关的知识，希望能为你提供帮助。
作者碎碎念本文目的：
对于K折交叉，想必大家都知道是什么原理。但是在具体实践中让你写的时候，你可能就会突然疑惑：“咦？道理我都懂，可是这个玩意儿到底怎么用。”
本文就是为了探讨一下什么时候怎么用 K折交叉验证。
K折交叉(k-fold cross validation)提到K折交叉，我想大部分人都了解其原理了。但是在这里还是先讲一下什么是K折交叉，防止有初学者是进来看什么是K折交叉的。
【你真的会用K折交叉吗（对于K折交叉的思考| 防止K折交叉踩坑）】简言之，就是将数据随机分为K份，使用其中的K-1份依次进行训练，使用剩下的1份作为测试集，比较常见的有五折交叉、十折交叉。
但是实际写代码的时候遇到了问题，现有以下两种K折交叉方法：

方案1 不预先分出测试集
就是我们看书看博客最常见的说法。

将数据随机均分k份。
使用其中1份做测试集，剩余k-1份做训练集。
通过 k 次训练后，我们得到了 k 个不同的模型。

下图是一个五折交叉的例子：
数据量超级少，精度根本提不到85%。到最后以至于我觉得我的2折交叉方法是错的。

文章图片

分析看到这里是不是突然开始迷惑了？那我到底该用哪一种？
我们来分析一下：

方案二，预先划分出测试集，训练之后也得到五个模型，但是取出其中较好的一个，测试集之外的所有数据合起来对其二次训练，训练之后作为最终的模型，并使用测试集评价其效果。
方案一，不提前留出测试集，直接所有数据放入模型中一边训练一边测试。这样我们最终会获得5个不同的模型，其之间的效果也会存在差异。

所以这五个模型，你最后要选哪个作为最终方案？
答案是选不出来，因为你没有单独的测试集，五个模型的数据不用，你无法最终验证究竟哪个模型的实际效果更好。
那你可以说：那我也和方案2一样，选出5个中看起来最好的那个模型的参数，然后把所有的数据塞回去重新训练……

文章图片
你清醒一点，你一开始就没划分测试集，所以你不能把所有的数据再组合起来塞回去训练。因为训练完了你也没测试集看你训练的结果。
那你又说：得到五个模型之后，我再把数据集划分出来，只取所有数据中的一部分作为训练集，剩下一部分测评模型。

文章图片
清醒一点啊！！你怎么敢的！这属于学术作弊！！！你那五个模型怎么来的？所有数据训练出来的K-1份训练出来的！你这属于用训练集测试集混着用了！

文章图片

第二波分析：
先说个题外话，我们需要注意数据划分的作用：

训练集：训练模型，获得模型参数

模型参数怎么来的？不就是通过反向传播自动调整参数？

测试集：测试模型效果

最后测试你训练的模型效果如何。

验证集：调整模型超参数

训练过程中，想知道模型设计的好不好，那我们直接使用测试集测试吗？如果你有全部的数据，你确实可以这么做。但是有时候你可能得不到测试集数据，所以你怎么调参？你就需要自己划分出来一个验证集，检验模型性能。
换句话说就是在训练过程中手动调参，调整模型的超参数。
现在有两个模型放在你面前：

使用训练集训练，使用测试集测试，效果不好再回去调一调模型超参数。
使用训练集训练，使用验证集测试，效果不好回去调一调，调好之后使用测试集测试。

如果上述两个模型最终的测试效果是一样的，现在让你选一个模型，你觉得哪个好？我觉得，直觉上第二个模型的泛化性可能会更好。

因为第二个模型是在完全陌生的数据上进行测试，达到了某个效果。
而第一个模型是在对应的测试集上进行调参得到的最终效果，他的“好”可能仅限于那块测试集的数据，在其他数据上效果不一定比得过第二个模型。
现在回到我们的K折交叉。
方案1中只划分了训练集和测试集，如果你要调参，直接使用测试集调。
方案2中划分了训练集、验证集、测试集，你调参用验证集调，测试集仅作为最终模型测试。
那现在我们就明白了：

方案1中：使用测试集调整超参数的话，我们是尽力找到一个超参数能让所有的K-1个模型表现都更好一点，是为了找到比较好的一组超参数。
方案2中：使用验证集调整超参数，选出五个模型中看起来最好的，再使用训练集之外的所有数据再训练，最终使用测试集测试效果，这是为了选出一个最终可用的模型。

那我们就可以得出结论了。
所以什么时候用哪种？方案1 不预先分出测试集：适用于评价模型效果，但是你没办法选出一个具体参数的模型。
就是当你说：我这个模型好！
好在哪里？
我进行K折交叉！出来的五个模型在我设计的超参数之下准确率都不错，所以我这个模型设计的挺好。
那让我用用你这个模型，什么参数下效果最好？
那我就不知道了，选不出来。
方案2 提前留出测试：适用于选择合适的模型。
我需要最终得到一个模型，你必须得要一个具体的模型，不仅有超参数，还要有一组能让模型表现“最好”的参数。这时候你就需要用方案2。
作者碎碎念，本文的写作初衷月初时候写大作业，要求使用2折交叉验证，
起初我用的方案1，就是提前分出来测试集。然后我闲着没事和师姐交流了一下，师姐说：

？？？我突然就开始怀疑人生，是我做错了吗？
然后我开始查资料，越查越迷惑。直到最后师哥给我解答了疑惑：