在交叉验证中，比方说 k 折，每次迭代我们基本上都是从头开始创建新模型 - 我们丢弃之前评分的模型并根据不同的训练集创建一个新模型。
众所周知，模型的优势在于它所训练的数据（当然，除了它的超参数）。
所以我的问题是 - 如果模型一直在变化，那么评分的意义何在？
在交叉验证之后，我们不取模型值的平均值。只是计算不再存在的模型分数的平均值。 我显然错过了一些东西，但除了选择超参数和 maby 来指示最适合的模型（从非常高的角度来看）- 我看不到交叉验证的好处。
【问题讨论】：
标签： machine-learning artificial-intelligence analytics data-science cross-validation
您进行交叉验证以估计您的模型在看不见的数据上的表现。关键是看它的概括性如何。
完成交叉验证并对分数感到满意后，您可以在整个训练集上重新训练，然后查看它在测试集上的表现如何。如果您的测试集来自与您的训练集相似的分布，并且您正确地进行了交叉验证，那么您应该会得到相似的分数。
你不能从一开始就使用测试集的原因是你应该只使用一次测试集 - 如果你对测试集的分数不满意，你不能回去重新训练否则你有过拟合的风险。
【讨论】：
交叉验证是一种非常有用的统计方法，常用于机器学习中，用于比较和选择一个好的模型。
但是您可能会错过什么时候应该使用交叉验证？ .
那么，如果有两个模型使用不同的算法或对特征进行一些修改（特征工程）或任何敏感修改，并且两者在测试集上执行相同，我该怎么办。
这些修改中哪一个是最好的，（将在我的应用程序或实际案例中表现良好）。
通常我们有很多模型需要比较。交叉验证可帮助您确定应该使用其中哪一个模型，因为交叉验证在多个场景（各种测试输入）下拟合模型。
即如果您使用的是 k 折交叉验证，您现在有 (k) 批测试集，用于测量您的模型在每批测试集中的性能。
【讨论】：