validation - Weka 中的交叉验证

Question

我一直认为从我读到的交叉验证是这样执行的:

In k-fold cross-validation, the original sample is randomly partitioned into k subsamples. Of the k subsamples, a single subsample is retained as the validation data for testing the model, and the remaining k − 1 subsamples are used as training data. The cross-validation process is then repeated k times (the folds), with each of the k subsamples used exactly once as the validation data. The k results from the folds then can be averaged (or otherwise combined) to produce a single estimation

因此构建了 k 个模型，最后一个是这些模型的平均值。
在 Weka 指南中写道，每个模型始终使用所有数据集构建。那么 Weka 中的交叉验证是如何工作的呢？模型是从所有数据构建的，“交叉验证”意味着创建了 k 个折叠，然后对其进行评估，最终输出结果只是折叠的平均结果？

Answer 1

所以，这又是一个场景:你有 100 个标记数据

使用训练集

weka 将取 100 个标记数据

它将应用一种算法从这 100 个数据中构建分类器

它再次应用该分类器
这100条数据

它为您提供了
分类器(应用于与它相同的 100 个数据)
开发)

使用10折简历

Weka 取 100 个标记数据

它产生 10 个相同大小的集合。每组分为两组:90 个标记数据用于训练，10 个标记数据用于测试。

它使用 90 个标记数据的算法生成分类器，并将其应用于集合 1 的 10 个测试数据。

它对集合 2 到 10 执行相同的操作并产生 9 个以上的分类器

它平均了从 10 个相同大小(90 个训练和 10 个测试)集产生的 10 个分类器的性能

如果这能回答您的问题，请告诉我。