在交叉验证中，假设进行 k 次迭代，每次迭代我们基本上都会从头开始创建新模型 - 我们会丢弃之前的评分模型并基于不同的训练集创建一个新模型。
众所周知，模型的强度在于它所训练的数据(当然除了它的超参数)。
所以我的问题是 - 如果模型一直在变化，那么评分的意义何在？
交叉验证后，我们不取模型值的平均值。只是计算不再存在的模型的分数平均值。 我显然错过了一些东西，但除了选择超参数和马比作为最适合模型的指示(从非常高的角度来看) - 我没有看到交叉验证的好处。
最佳答案
您进行交叉验证，以估计您的模型在未见过的数据上的表现。重点是看看它的概括性如何。
完成交叉验证并对分数感到满意后，您可以对整个训练集进行重新训练，然后查看它在测试集上的表现如何。如果您的测试集与训练集具有相似的分布，并且交叉验证正确，那么您应该获得相似的分数。
您不能从一开始就使用测试集的原因是您只能使用测试集一次 - 如果您对测试集分数不满意，则无法返回并重新训练否则你就有过度拟合的风险。
关于machine-learning - 如果模型每次迭代都被丢弃，交叉验证的目的是什么，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59511059/