五折交叉验证
五折交叉验证（5-fold cross-validation）是一种常用的机器学习模型评估技术，通常用于估计模型的性能和泛化能力。它的基本思想是将原始数据集分成五个相等大小的子集（或折叠），其中四个子集用于训练模型，而剩下的一个子集用于测试模型。这个过程重复五次，每次选择不同的一个子集作为测试集，其余的作为训练集。最后，将五次的性能评估结果取平均值以得到最终评估结果。
五折交叉验证步骤¶
-
数据集划分：将原始数据集均匀地划分成五个子集，通常是随机划分。
-
模型训练和测试：依次选择其中一个子集作为测试集，其他四个子集作为训练集，训练模型并在测试集上进行评估。这个过程重复五次，确保每个子集都被用作测试集一次。
-
性能度量：对于每一次测试，可以使用各种性能度量指标，如准确度、精确度、召回率、F1分数等，来评估模型在测试集上的性能。
-
汇总结果：将五次测试的性能度量结果取平均值，得到模型的最终性能评估。