Machine learning 为什么在决策树分类中使用交叉验证？
我试图学习决策树（和其他模型），遇到了交叉验证，现在我首先想到交叉验证用于确定模型的最佳参数。例如，决策树分类中的最佳最大树深度或k近邻分类中的最佳近邻数。但当我看到一些例子时，我认为这可能是错误的Machine learning 为什么在决策树分类中使用交叉验证？,machine-learning,classification,decision-tree,cross-validation,nearest-neighbor,Machine Learning,Classification,Decision Tree,Cross Validation,Nearest Neighbor,我试图学习决策树（和其他模型），遇到了交叉验证，现在我首先想到交叉验证用于确定模型的最佳参数。例如，决策树分类中的最佳最大树深度或k近邻分类中的最佳近邻数。但当我看到一些例子时，我认为这可能是错误的 这是错的吗 交叉验证用于以更准确的方式确定模型的准确性，例如，在n倍交叉验证中，您将数据划分为n个分区，使用n-1部分作为序列集，使用1部分作为测试集，并对所有分区重复此操作（每个分区作为测试集一次），然后平均结果以获得更好的结果评估你的模型的准确性啊，我明白了，所以这与为你的模型找到最佳参数无关？
这是错的吗 交叉验证用于以更准确的方式确定模型的准确性，例如，在n倍交叉验证中，您将数据划分为n个分区，使用n-1部分作为序列集，使用1部分作为测试集，并对所有分区重复此操作（每个分区作为测试集一次），然后平均结果以获得更好的结果评估你的模型的准确性啊，我明白了，所以这与为你的模型找到最佳参数无关？@azeaze不是直接的。@NaWeeD请小心，避免听起来权威，尤其是在向新用户讲话时（OP显然是其中之一）；“不直接”作为回答是不够的，因为CV确实被用作模型优化过程中的一个组件。交叉验证用于a）模型优化和b）模型评估