2.4　交叉验证

一种能够比较合理地选择模型的方法是把训练数据分成两部分：训练集（training set）和验证集（validation set）.比如将90%的数据作为训练集，而将剩余10%的数据作为验证集.在训练集上训练出来的模型会使用验证集来评估它们的效果.

这里会有一个问题：如果随机分验证集，可能会分得不好，分到很奇怪的验证集，导致结果很差.如果担心出现这种情况，可以采用折交叉验证（-fold cross validation）的方法，如图2.11 所示. 折交叉验证就是先把训练集切成等份.在这个例子中，训练集被切成3等份，切完以后，将其中一份当作验证集，另外两份当作训练集，这件事情要重复做3次：将第1份和第2份当作训练集，第3份当作验证集；将第1份和第3份当作训练集，第2份当作验证集；将第一份当作验证集，第2份和第3份当作训练集.

图2.11　折交叉验证

假设我们有3个模型. 我们不知道哪一个是好的，因此不妨把这3个模型在这3个数据集上通通跑一次. 把这3个模型在这3种情况下的结果都平均起来；把每一个模型在这3种情况下的结果也都平均起来，再看看谁的结果最好.假设3折交叉验证得出来的结果是模型 1最好，那么就把模型 1 用在全部的训练集上，并把训练出来的模型再用在全部的测试集上.接下来我们要面对的任务是预测2月26日的观看次数，结果如图2.12 所示，3层网络的结果最好.

图2.12　3层网络的结果最好