我想知道交叉验证过程如何改进模型。我在这个领域完全是新手，很想学习。我理解了交叉验证的原理，但不明白它是如何改进模型的。假设模型被分为4个部分，如果我用前三个部分训练模型，最后一个部分进行测试，那么模型应该会训练得很好。但是，当我重复这一步骤，在最后三个部分上训练模型，并在第一个部分上进行测试时，大多数训练数据已经被模型“审阅”过了？模型不会因为已经见过的数据而改进，对吗？这是不同训练数据集模型的“平均值”吗？

提前感谢您的时间！

回答：

交叉验证实际上并不会改进模型，但有助于准确评估其性能。

假设在训练开始时，您将数据分为80%的训练集和20%的测试集。然后您在80%的数据上训练，并在20%的数据上测试，得到性能指标。

问题在于，在开始时分割数据时，您希望是随机的，或者是任意的，结果，您得到的模型性能在某种程度上依赖于您使用的伪随机数生成器或您的判断。

因此，您可以将数据分为例如5个随机且等量的部分。然后，您将第一部分放在一边，在第二到第五部分上训练，测试第一部分，并记录性能指标。然后您将第二部分放在一边，在一个新的（未训练的）模型上使用第一、三到第五部分进行训练，测试第二部分，记录指标，依此类推。

在5个部分完成后，您将得到5个性能指标。如果您取它们的平均值（最合适的类型），它将更好地代表您的模型性能，因为您是在“平均”数据分割的随机效应。

我认为这个博客用一些Python代码很好地解释了这一点。