自己先理解记录一下，有误后期再修改咯 留出法交叉验证  优点： 这个方法操作简单，只需随机把原始数据分为三组即可。 缺点： 如果只做一次分割，它对训练集、验证集和测试集的样本数比例，还有分割后数据的分布是否和原始数据集的分布相同等因素比较敏感，不同的划分会得到不同的最优模型，而且分成三个集合后，用于训练的数据更少了。   k-fold交叉验证 优点：在一个限度内 k 的值越大越好。

课程特点：系统、清晰、实用，原理和落地经验兼具 b站：https://www.bilibili.com/video/BV1HZ421U77y/?spm_id_from=333.337.search-card.all.click&vd_source=b60d8ab7e659b10ea6ea743ede0c5b48 讲义：https://github.com/wangshusen/Recommende

import pandas as pdimport numpy as npfrom sklearn.preprocessing import LabelEncoder, StandardScaler # 类别标签编码，标准化处理from sklearn.decomposition import PCA # 主成分分析import matplotlib.pyplot as pltfrom

机器学习中，我们通常把样本分为训练集和测试集，训练集用于训练模型，测试集用于评估模型。在样本划分和模型验证的过程中，存在着不同的抽样方法和验证方法。 1. 在模型评估过程中，有哪些主要的验证方法，它们的优缺点是什么？ Holdout检验 Holdout检验是最简单也是最直接的验证方法，它将原始的样本集合随机划分成训练集和验证集两部分。比方说，对于一个点击率预测模型，我们把样本按照70%~30