{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":235,"pdf_page":250,"physical_index":250,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"b9b7194f0e337bf15f4a416ef8b1c4cc5f60cb73937561e3e324bfcb629ee770"},"chapter":"内容简介","content":"$$\n\\mathrm { M S E } _ { \\mathrm { T O T A L } } \\quad \\frac { 1 } { N } \\sum _ { i = 1 } ^ { N } \\mathrm { M S E } _ { i }\n$$\n\nLOOCV 方法完美克服了 Hold-Out 方法的两大缺点：每一轮次中几乎所有的样本都用于训练模型，因此是最接近原始样本分布的，这样评估所得的结果比较可靠；实验过程中没有任何随机因素会影响实验数据，确保实验过程是完全可以被重现的。\n\n但 LOOCV 方法也有很明显的缺点：由于需要建立的模型数量与原始数据样本数量相同，它的计算成本非常高。训练样本数据量越多，要经历的建模过程的次数就越多，这是极为耗时的，因此在实际操作中完全遵循 LOOCV 方法是非常困难的，除非每次训练分类器得到模型的速度很快，或者可以并行计算以减少计算所需的时间，否则它的适用范围将受到极大的限制。\n\n为了解决 LOOCV 方法计算成本过高的问题，一种名为“ K折交叉验证”（K-fold Cross Validation）的新方法出现了，这种交叉验证的形式也是一种折中，可以使验证过程的计算成本变得可控。\n\nK折交叉验证方法和 LOOCV 方法的不同之处在于，每次选取的测试集不再只包含一个样本数据，而是多个样本，具体数目将由K值的大小决定。譬如，假设 K等于 5，那么我们进行的验证就是“5 折交叉验证”，如图 6-35 所示，它的具体步骤如下：\n\n第 6 章 机器学习概览\n\n235\n\n○一 图片来源：https://zhuanlan.zhihu.com/p/24825503。","previous_page":234,"next_page":236}