Statistics 如何评估和解释机器学习中的训练模型？

我是机器学习新手。我做了一个测试，但不知道如何解释和评估

案例1：

我首先将数据（数据A，约8000字）随机分成10组（a1..a10）。在每个小组中，我使用90%的数据构建ngram模型。然后在同一组的其他10%数据上测试该ngram模型。结果精度低于10%。其他9组采用相同的方法（分别构建模型，并分别对该组剩余的10%数据进行测试）。所有结果的准确率约为10%。（这是10倍交叉验证吗？）

案例2：

我首先基于大约8000字的整个数据集（数据a）构建了一个ngram模型。然后我把A分成10组（a1，a2，a3，a10），当然是随机的。然后我使用这个ngram分别测试a1、a2、a10。我发现该模型在所有组中的准确率几乎为96%

如何解释这种情况。 提前谢谢

是的，10倍交叉验证

这种测试方法具有在训练集上测试的常见缺陷。这就是准确性被夸大的原因。这是不现实的，因为在现实生活中，您的测试实例是新颖的，并且以前系统没有看到过

N-折叠交叉验证是一种有效的评估方法，在许多工作中使用

是的，10倍交叉验证

这种测试方法具有在训练集上测试的常见缺陷。这就是准确性被夸大的原因。这是不现实的，因为在现实生活中，您的测试实例是新颖的，并且以前系统没有看到过

---

N倍交叉验证是许多作品中使用的一种有效评估方法。

您需要仔细阅读过拟合的主题

---

您描述的情况给人的印象是，您的ngram模型严重过度拟合：它可以“记忆”96%的训练数据。但是，当对适当的子集进行训练时，它只能对10%的未知数据进行预测。

您需要仔细阅读过拟合的主题

您描述的情况给人的印象是，您的ngram模型严重过度拟合：它可以“记忆”96%的训练数据。但当在适当的子集上进行训练时，它只能对未知数据实现10%的预测

这称为10倍交叉验证

这称为10倍交叉验证