Matlab 交叉验证是否足以确保分类算法中没有过度拟合？
我有一个数据集，一个班级有45次观察，另一个班级有55次观察。此外，我使用了4种不同的特征，这些特征以前是通过特征选择过滤器选择的，尽管这个过程的结果有些奇怪Matlab 交叉验证是否足以确保分类算法中没有过度拟合？,matlab,machine-learning,classification,cross-validation,Matlab,Machine Learning,Classification,Cross Validation,我有一个数据集，一个班级有45次观察，另一个班级有55次观察。此外，我使用了4种不同的特征，这些特征以前是通过特征选择过滤器选择的，尽管这个过程的结果有些奇怪 另一方面，由于我在Matlab上使用classificationLearner，所以我使用交叉验证，从不同的分类器中获得了良好的精度结果（75%到85%）。这能确保没有过度装配吗？还是还有机会？如何确保没有过度拟合？这取决于您现有的训练数据集。如果提供给您的数据不够具有代表性，那么无论您使用何种方法进行培训和验证，您都无法获得一个好的模型
另一方面，由于我在Matlab上使用classificationLearner，所以我使用交叉验证，从不同的分类器中获得了良好的精度结果（75%到85%）。这能确保没有过度装配吗？还是还有机会？如何确保没有过度拟合？这取决于您现有的训练数据集。如果提供给您的数据不够具有代表性，那么无论您使用何种方法进行培训和验证，您都无法获得一个好的模型 记住这一点，如果您确信您的数据具有代表性（任何“重要”属性子集的值分布与所有数据的全局集合的值分布相同），那么交叉验证就足够好了