詳細解釋
交叉驗證（Cross-Validation）是評估模型泛化性能的統計方法，將數據分為訓練集和驗證集多次，減少評估偏差。
K折交叉驗證：
- 將數據分為K個子集（fold）
- K次迭代，每次用K-1個子集訓練，1個測試
- 計算K次驗證的平均性能
- K通常5或10
優勢：
- 減少方差：比單次劃分更穩定
- 充分利用數據：每個樣本都作為驗證
- 偏差-方差權衡：調節K值
- 模型選擇：比較不同算法
變體：
- 留一法（LOO）：K=N，極端情況
- 分層K折：保持類別比例
- 時間序列：前向驗證
- 群組K折：相關樣本同fold
注意事項：
- 計算成本：K倍訓練時間
- 數據洩漏：預處理要在fold內
- 隨機性：多次運行取平均
- 嵌套CV：超參調優與評估分離
應用：
- 模型選擇：比較算法
- 超參優化：選擇最佳參數
- 特徵選擇：評估特徵重要性
- 性能評估：無偏估計
交叉驗證是機器學習模型評估的標準實踐。