交叉验证是否足以确保分类算法中没有过度拟合？
Is Cross Validation enough to ensure that there is no Overfitting in a classification algorithm?
我有一个数据集，其中一个 class 有 45 个观测值，另一个 class 有 55 个观测值。此外，我使用了 4 个不同的特征，这些特征之前是通过使用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，因此我正在使用交叉验证并从不同的 classifier 获得良好的准确度结果（75% 到 85%）。这会确保没有过度拟合吗？或者这可能还有机会？如何保证没有过拟合？
这实际上取决于您可用的训练数据集。如果您可用的数据不够具有代表性，那么无论您使用何种方法进行训练和验证，您都不会得到好的模型。
考虑到这一点，如果您确定您的数据具有代表性（"important" 属性的任何子集的值分布与所有数据的全局集相同）那么交叉验证就足够了依靠。
我有一个数据集，其中一个 class 有 45 个观测值，另一个 class 有 55 个观测值。此外，我使用了 4 个不同的特征，这些特征之前是通过使用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，因此我正在使用交叉验证并从不同的 classifier 获得良好的准确度结果（75% 到 85%）。这会确保没有过度拟合吗？或者这可能还有机会？如何保证没有过拟合？
这实际上取决于您可用的训练数据集。如果您可用的数据不够具有代表性，那么无论您使用何种方法进行训练和验证，您都不会得到好的模型。
考虑到这一点，如果您确定您的数据具有代表性（"important" 属性的任何子集的值分布与所有数据的全局集相同）那么交叉验证就足够了依靠。