我想知道交叉验证过程如何改进模型。我对这个领域完全陌生，并且热衷于学习。 我了解交叉验证的原理，但不了解它如何改进模型。假设模型分为 4 折，如果我在第 3 次第 1 次第 4 次训练我的模型并在最后一次进行测试，模型会很好地训练。但是当我通过在最后 3 个第四个训练模型并在第一个测试上重复这一步时，大部分训练数据已经被模型“审查”了吗？模型不会随着已经看到的数据而改进，对吧？它是使用不同训练数据集制作的模型的“平均值”吗？
提前感谢您的宝贵时间！
【问题讨论】：
标签： machine-learning data-science cross-validation
交叉验证实际上并没有改进模型，但可以帮助您准确地对其性能进行评分。
假设在训练开始时，您将数据分成 80% 的训练集和 20% 的测试集。然后您在上述 80% 上进行训练并在 20% 上进行测试并获得性能指标。
问题是，在开始分离数据时，您希望是随机的，或者是任意的，因此，您获得的模型性能在某种程度上依赖于您使用的伪随机数生成器或你的判断。
因此，您可以将数据分成例如 5 个随机相等的集合。然后你拿第 1 组，把它放在一边，在第 2-5 组训练，在第 1 组测试并记录性能指标。然后你把第 2 组放在一边，在第 1、3-5 组上训练一个新的（未训练的）模型，在第 2 组上进行测试，记录指标等等。
5 组后，您将获得 5 个性能指标。如果您取它们的平均值（最合适的类型），这将更好地表示您的模型性能，因为您正在“平均”数据拆分的随机效应。
我认为这个blog 用 Python 中的一些代码很好地解释了这一点。
【讨论】：
通过 4 折交叉验证，您可以有效地训练 4 个不同的模型。模型之间没有依赖关系，并且一个模型不会在另一个模型之上进行训练。
稍后会发生什么取决于实施。通常，您可以访问所有经过训练的模型，然后由您自己处理。
【讨论】：