概念卡：交叉验证 Cross Validation
概念卡：交叉验证 Cross Validation
一句话定义
交叉验证是把数据反复划分为训练和验证部分，用来评估模型泛化能力的方法。
它解决什么问题
它帮助判断模型是否只是在当前样本上表现好，而不能推广到新数据。
典型使用场景
- 比较多个机器学习模型。
- 选择正则化强度。
- 评估预测任务的稳定性。
需要知道的关键词
- Train/Test Split
- K-fold
- Generalization
- Overfitting
- Validation Error
和导师方向的关系
大数据和机器学习任务中，交叉验证是模型选择和避免过拟合的基础工具。
交流时可以怎么说
我会用交叉验证评估模型泛化能力，而不是只看训练集表现。
如果训练误差低但验证误差高，可能存在过拟合。
可以追问的问题
- 数据是否独立同分布，适合随机划分吗？
- 时间序列任务能不能直接用普通 K 折？
- 评价指标应该选误差、准确率，还是更贴合业务的指标？
给 AI 的提示词
请解释交叉验证和过拟合的关系。给一个 scikit-learn 的 K 折交叉验证例子，并说明时间序列数据为什么要谨慎。
我的理解边界
- 已理解：交叉验证评估泛化能力。
- 还不确定：时间序列交叉验证。
- 下次需要补：train/validation/test 的区别。