我们尝试使用代码可视化来提高模型预测能力。假设您正在编写一个漂亮而清晰的机器学习代码（例如线性回归）。你的代码还不错，首先使用像train_test_split这样的函数像往常一样将数据集分成“训练集和测试集”两部分，并添加一些随机因素。您的预测可能会略微欠拟合或过拟合，如下图所示。图：欠拟合和过拟合情况下的预测结果结果没有变化。这个时候我们能做什么？顾名思义，在学习了线性回归之后，接下来有趣的事情就是交叉验证，因为它可以使用K折策略（K-Foldstrategy）来提高模型的预测能力。那么K折到底是什么？下面我们就用代码来解释一下。完整代码如下：图：交叉验证的可视化代码分析：上面的代码可以分为4个步骤。1.加载并拆分目标数据集。图：加载数据集会将数据集中的目标复制到y变量中。如果要查看数据集，请删除打印行中的注释字符“#”。2.模型选择图：模型选择（LinearRegression()）是一个简化的过程，我们会选择使用线性回归。如果你想了解更多，请查看文章《Linear Regression: The Easier Way》。3.交叉验证图：sklearn中的交叉验证这是sklearn中的流程，也是一个函数：cross_val_predict(model,data,target,cv)其中model是我们选择的模型进行交叉验证。数据就是数据。target是数据的目标值。cv（可选）是数据折叠的总数（K折叠）。在这个过程中，我们没有像往常一样将数据集分为训练集和测试集，如下图所示。图：训练集（蓝色）和测试集（红色）我们将数据集平均分成K部分（K折或cv）。为了提高预测准确性并实现更好的泛化，我们在较大的数据集上训练模型并在较小的数据集上进行测试。这里，我们设置cv为6。图：6个相同的部分现在，模型拆分的第一次迭代如下图所示，其中红色是测试集，蓝色是训练集。Figure:Thefirstiterationofcross-validation第二次迭代如下图所示：Figure:Theseconditerationofcross-validation依此类推，直到最后一次迭代，如下图：Figure:Firstiterationofcross-validation-validation六次迭代4.使用Matplotlib进行数据可视化图：使用Matplotlib进行可视化为了可视化结果，我们导入matplotlib库并创建一个子图。创建带有黑色（即(0,0,0)）边框的散点图。用ax.plot计算两个坐标轴的最小值，k--代表线型，lw=4代表宽度。然后，标记x轴和y轴。***，使用plt.show()来显示图像。结果如下：图：预测结果该图显示了在波士顿数据集上使用线性回归模型进行K折交叉验证的结果。我知道还有许多其他交叉验证方法，但K折交叉验证是一个很好且简单的起点。完整代码地址：https://github.com/Sagarsharma4244/Cross-Validation【本文为机器之心专栏原文翻译，微信公众号“机器之心（id：almosthuman2014）”】点此查看该作者更多好文
