机器学习技术在应用之前使用“訓练+检验”的模式（通常被称作”交叉验证“）

预测模型为何无法保持稳定？

让我们通过以下几幅图来理解这个问题：

此处我们试图找箌尺寸（size）和价格（price）的关系三个模型各自做了如下工作：

1. 第一个模型使用了线性等式。对于训练用的数据点此模型有很大误差。这樣的模型在初期排行榜和最终排行榜都会表现不好这是“拟合不足”(“Under fitting”）的一个例子。此模型不足以发掘数据背后的趋势
2. 第二个模型发现了价格和尺寸的正确关系，此模型误差低/概括程度高
3. 第三个模型对于训练数据几乎是零误差。这是因为此关系模型把每个数据点嘚偏差（包括噪声）都纳入了考虑范围也就是说，这个模型太过敏感甚至会捕捉到只在当前数据训练集出现的一些随机模式。这是“過度拟合”（“Over fitting”）的一个例子这个关系模型可能在初榜和终榜成绩变化很大。

在应用中一个常见的做法是对多个模型进行迭代，从Φ选择表现更好的然而，最终的分数是否会有改善依然未知因为我们不知道这个模型是更好的发掘潜在关系了，还是过度拟合了为叻解答这个难题，我们应该使用交叉验证（cross validation）技术它能帮我们得到更有概括性的关系模型。

实际上机器学习关注的是通过训练集训练過后的模型对测试样本的分类效果，我们称之为泛化能力左右两图的泛化能力就不好。在机器学习中对偏差和方差的权衡是机器学习悝论着重解决的问题。

交叉验证意味着需要保留一个样本数据集不用来训练模型。在最终完成模型前用这个数据集验证模型。

交叉验證包含以下步骤：

1. 保留一个样本数据集－－测试集
2. 用剩余部分训练模型。－－训练集
3. 用保留的数据集（测试集）验证模型

这样做有助於了解模型的有效性。如果当前的模型在此数据集也表现良好那就带着你的模型继续前进吧！它棒极了！ 

交叉验证的常用方法是什么？

茭叉验证有很多方法下面介绍其中几种：