K倍交叉验证是对模型的性能进行评估，可以用来防止过拟合，比如对决策树节点数目的确定或是回归模型参数个数地决定等情况。
1.对于一些特殊数据来说，在调用glm()方法时候，会出现两种常见错误
Warning: glm.fit: algorithm did not converge
Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
Warning messages:
1: glm.fit:算法没有聚合
2: glm.fit:拟合機率算出来是数值零或一
针对第一种，一般是因为在回归拟合的时候次数少，control=list(maxit=100)修改次数为100即可；
第二种一般就是数据已经分散好了，可以理解为一种过拟合，由于数据的原因，在回归系数的优化搜索过程中，使得分类的种类属于某一种类（y=1)的线性拟合值趋于大，分类种类为另一 类(y=0)的线性拟合值趋于小。
以鸢尾花数据为例子， 这里写代码片
testdata$y <- c(1:80)
qplot(pl,y,data =testdata,colour =factor(species))；
这种情况直接就可以划分了，无需回归分析
2.建立好回归模型，调用predict()进行评价，根据包里面的解释：
默认是线性预测因子的尺度; 若是
type= “response“<==>“响应”是响应变量的规模。
所以predict（log.glm） 返回的是”β0+β1x1+…βmxm”,而predict(log.glm,typee= “response“)返回的是P值。下图是我做的认为验证
3。下来就是通过K倍交叉验证评价模型好坏了，cv.glm(log.glm,trian,K=10)
可以得到错误率；
4.最后可以画ROC曲线，由于cv.glm只有错误率没有P值，所以自己编了一个程序作了CV，得到图为：
有一个疑问，就是做ROC曲线的时候，是不是把test_data分别带入相同模型五个不同的参数中得P值（以5倍交叉验证为例）？？
自己也是蛮笨的，为了这个事情搞了一天半，加油吧，感情上是个loser，学习上盼望有点建树吧。