Machine learning 交叉验证结果的不一致性

我有一组数据集记录了受试者在执行某些特定认知任务时的数据。数据由16个通道和每个通道的多个采样点组成，我想根据正在执行的认知任务对这些数据进行分类（所有数据都有标签）

问题是我没有大量的数据（大约每节课60次，每项认知任务30次），我有2节课。我试图训练一个线性判别分析（LDA）分类器来对这些数据进行分类。该分类器稍后将被实时使用，以便为每个样本数提供某种形式的输出

---

我使用了5倍交叉验证来测量分类器的泛化误差。问题是，当我多次运行这个5倍交叉验证时，我得到的结果根本不是恒定的。相反，总体准确度存在显著差异（例如，第一次5倍交叉验证的平均准确度为80%，第二次验证的准确度为65%，第三次验证的平均准确度为72%，等等）。这正常吗？如果没有，原因可能是什么？

听起来您可能有一些不好的数据，或者您的分类器拟合过度。您可以执行遗漏交叉验证并记录结果。它有助于找到可能使结果产生偏差的数据。

LDA将数据投影到另一个坐标系并缩小尺寸。如何使用它进行分类？