中文名稱：交叉驗證
英文名稱：Cross-Validation
📌 定義（Definition）
交叉驗證是一種用來評估機器學習模型表現的方法。它把資料分成多個小部分，輪流用其中一部分當測試資料，其他部分當訓練資料，這樣能夠更準確地了解模型在新資料上的表現，避免模型只在原來的資料上表現好，但對未知資料效果差。
⭐原理與技術
交叉驗證的基本想法是將資料集平均分成 K 份（稱為K折交叉驗證，k-fold），例如 5 折或 10 折。模型會被訓練 K 次，每次用 K-1 份資料訓練，用剩餘的一份資料做測試，最後將 K 次測試的結果平均化做為模型的整體表現。這樣能降低因資料切分不同造成的評估誤差，使評估結果更穩定和可靠。
使用交叉驗證能有效的解決過擬合（Overfitting） 的問題
方法
K-fold ( K 折 ) 交叉驗證是一種常見的交叉驗證方法，目標能夠準確估計模型的泛化能力，在實做這個方法前，我們會先把拿到的資料集 ( Original set ) 分成訓練集 T1 ( Training set ) 和測試集 ( Test set )，再將訓練集 T1 切分成訓練集 T2 和驗證集 ( Validation Set )，會基於這兩者做模型訓練、評估與參數調整，最後再用測試集評估模型的最終性能表現。
然後我們會讓訓練集 T2 切分成 K 個子集，其中一個子集作為驗證集 ( Test fold ) 測試，剩下的 K - 1 個子集當訓練集 ( Training folds ) 訓練，這樣的過程重複 K 次，每次都輪流讓不同的子集當驗證集，剩下當訓練集並求出模型的性能分數，如此我們就能掌握模型在不同訓練資料下的表現，把 K 次模型的性能分數平均起來就能夠得到模型的平均性能分數 ( Mean Validation Score )。
🔗 應用領域
- 機器學習模型評估
- AI 產品開發中的模型優化
- 資料科學中模型選擇和參數調整
- 任何需要驗證模型泛化能力的領域，如醫療診斷、金融風險評估、圖像辨識等
3 題模擬練習題
-
交叉驗證的主要目的是什麼？
A) 增加訓練資料數量
B) 評估模型在新資料上的表現
C) 減少資料收集成本
D) 提高模型的計算速度
答案：B
詳解： 交叉驗證透過多次分割訓練與測試資料，來評估模型在未見過資料上的泛化能力，而非增加資料數量或加快速度。 -
以下哪一項不是交叉驗證的步驟？
A) 將資料分成多個子集
B) 在每個回合用一個子集做測試，其餘做訓練
C) 每次測試後丟棄該次模型並重新開始
D) 將所有回合的測試結果平均來評估模型
答案：C
詳解： 交叉驗證過程中，模型在每折都重新訓練，但不是把模型訓練好的結果丟棄當作無用，而是保存各折的評估結果用來整體評估。 -
一般常見的 K 折交叉驗證中，如果 K 值選擇太大（例如接近資料筆數），可能會導致什麼問題？
A) 訓練時間減少且模型效果差
B) 訓練時間增加且模型評估結果較不穩定
C) 測試資料不足，無法評估模型
D) 模型無法完成訓練
答案：B
詳解： K 越大，訓練次數越多，訓練時間增加；雖然可以更接近每筆資料都被測試，但評估的變異性可能增加，導致結果較不穩定。常見折數如5或10折是較好的折衷。
如果需要，我可以幫你轉成更簡短的版本或加入範例。