Machine learning 什么是机器学习中的OOF方法？

我在许多kaggle笔记本中看到人们在使用K-Fold验证进行机器学习时谈论oof方法。什么是oof？它与k倍验证有关吗？您还可以为it部门提供一些有用的资源，以详细了解该概念吗

谢谢你的帮助

OOF简单地表示“超出范围”，是指在使用k-fold验证时学习过程中的一个步骤，其中来自每组折叠的预测被分组到一组1000个预测中。这些预测现在已经“过时了”，因此可以对这些预测进行误差计算，从而很好地衡量您的模型有多好

就更多地了解它而言，它真的没有比这更多的东西了，而且它肯定不是它自己的学习技巧或任何东西。如果你有一个小的后续问题，请留下评论，我会尝试更新我的答案，包括这一点

编辑：在网上闲逛时，我偶然发现了交叉验证中相对类似的问题（答案稍微详细一点），如果你仍然感到困惑，也许这会增加一些直觉。

我从机器学习掌握中发现，对异类预测的解释相当深入。 下面是一篇文章的摘录，解释了什么是脱节（OOF）预测：

“折叠外预测是模型在k折叠交叉验证过程中的预测。 也就是说，失联预测是在重采样过程中对保持数据集所做的预测。如果执行正确，则训练数据集中的每个示例都将有一个预测。“

似乎是指“失联”