交叉验证是什么

只划分一次训练集和验证集，评估结果难免带运气成分。交叉验证通过把数据轮流切成多份、反复训练与验证，得到更稳定的估计。本文讲清 k 折交叉验证的做法、k 怎么选、分层与时间序列的特殊处理，以及它的价值与计算代价。

把运气磨平

单次划分有个问题：结果里带着运气。恰好分到验证集的样本简单些，分数就虚高；难样本扎堆，分数就偏低。交叉验证的思路很朴素，多切几次、多评几次、取平均，把运气的成分磨平。

k 折交叉验证的具体做法是：把数据随机分成 k 份，第一次拿第 1 份当验证集、其余用于训练；第二次换第 2 份当验证集；如此循环 k 次。每一份都当过一次验证集，最后把 k 次得分取平均。

k 取多少合适

这么做还有一个附带好处：你能看到 k 次得分的波动范围。如果几次得分相差很大，说明模型对训练数据敏感，或者数据里存在异常样本，这本身就是重要信号，单次划分是看不出来的。

k 常用五或十。k 越大，每次训练用到的样本越多，估计的偏差越小，但训练次数也越多，计算成本线性上升。极端情况是留一法，每次只留一个样本做验证，最准确也最昂贵，只在数据极少时使用。

分层与两个禁区

分类任务里常用分层 k 折，让每一份里各类别比例与整体一致，避免某一折恰好缺少某个类别。要特别注意，交叉验证只用于在训练集内部调参与选模型，测试集仍应留到最后、只开一次。

有一类数据不能随机切分：时间序列。用未来数据预测过去属于数据泄漏，正确做法是前向链接，用前三个月训练、预测第四个月，再把窗口往后推一格继续，最大程度模拟真实的上线情形。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。