正如您现在可能知道的那样，交叉验证是一种方法：

1. 将数据集划分为“训练集”和“测试集”
2. 将模型拟合到训练集，得到测试的预测误差
3. 以一堆不同的“预定义”方式重复（1-2），每次都存储预测误差。
4. 平均所有预测错误，以了解您的模型在野外的表现！

基本上，不同交叉验证 (CV) 类型的所有“魔力”都发生在 (3) 处。假设您的数据集有$n$观察。

• 离开$p$out CV 将您的数据集分成一组大小$n-p$和一个测试$p$，得到预测误差，并对每一个可能的情况重复这个过程$p$大小的数据集子集。
• 离开$1$out CV是请假的特例$p$在哪里$p=1$
• $k$-fold 交叉 CV 将您的数据集划分为$k$大小相等的分区，第一个训练$k-1$分区并在最后一个分区上进行测试，得到预测误差。最后的结果是十$k$平均的预测误差。（注意$k=n$和请假一样$1$出简历。）

至于缺点和优点，基本上只是穷举和速度之间的权衡。我想这取决于你的数据集。穷举的上限基本上是做请假$p$为所有人提供简历$p=\{1,2,...,n\}$. 可能也取决于数据集的线性。根据我的经验，我在使用时没有遇到任何问题$k$-折叠交叉简历。

参考