使用交叉验证提高准确性，不使用交叉验证则降低准确性
Accuracy increases using cross-validation and decreases without
我有一个关于交叉验证的问题：我正在使用朴素贝叶斯分类器按作者对博客文章进行分类。当我在没有 k 折交叉验证的情况下验证我的数据集时，我得到 0.6 的准确度分数，但是当我进行 k 折交叉验证时，每折呈现更高的准确度（大于 0.8）。
例如：
(splitting manually): Validation Set Size: 1452,Training Set Size: 13063, Accuracy: 0.6033057851239669
然后
(with k-fold): Fold 0 -> Training Set Size: 13063, Validation Set Size: 1452 Accuracy: 0.8039702233250621 (all folds are over 0.8)
等...
为什么会这样？
发生这种情况的原因有几个：
您的 "manual" 拆分不是随机的，您碰巧 select 更多难以预测的异常值。你如何进行拆分？
k-fold CV中的k是什么？我不确定您所说的验证集大小是什么意思，您在 k 折 CV 中有一个折大小。没有验证集，您 运行 使用整个数据进行交叉验证。您确定 运行 正确地进行了 k 折交叉验证吗？
通常，人们会选择 k = 10 进行 k 折交叉验证。如果您 运行 它正确地使用了您的全部数据，您应该依赖它的结果而不是其他结果。
我有一个关于交叉验证的问题：我正在使用朴素贝叶斯分类器按作者对博客文章进行分类。当我在没有 k 折交叉验证的情况下验证我的数据集时，我得到 0.6 的准确度分数，但是当我进行 k 折交叉验证时，每折呈现更高的准确度（大于 0.8）。
例如：
(splitting manually): Validation Set Size: 1452,Training Set Size: 13063, Accuracy: 0.6033057851239669
然后
(with k-fold): Fold 0 -> Training Set Size: 13063, Validation Set Size: 1452 Accuracy: 0.8039702233250621 (all folds are over 0.8)
等...
为什么会这样？
发生这种情况的原因有几个：
您的 "manual" 拆分不是随机的，您碰巧 select 更多难以预测的异常值。你如何进行拆分？
k-fold CV中的
k是什么？我不确定您所说的验证集大小是什么意思，您在 k 折 CV 中有一个折大小。没有验证集，您 运行 使用整个数据进行交叉验证。您确定 运行 正确地进行了 k 折交叉验证吗？
通常，人们会选择 k = 10 进行 k 折交叉验证。如果您 运行 它正确地使用了您的全部数据，您应该依赖它的结果而不是其他结果。