主要是模型训练阶段的知识及其一般交叉验证/CV在样本集选择和模型建立中的作用
关于正负样本比例，在二分类中一般为1:3的正负样本的比例状态；
训练集、测试集、验证集的比率三个概念容易混淆。 获得正负样本合并数据集，按8:2的比率放置20%的数据，对剩下的80%的数据进行建模。 (训练集验证集)，开始建立模型必须对训练集和验证集进行分割，可以用k-turn方法全部进行k分割分别建模。 每次建模时都会发生(k-1 )
培训集：测试集：验证集的典型百分比为6:2:2或5:2.5:2.5
可将数据分割中的交集验证用作数据集分割，也可在模型建模过程中用于参数化
(Kold ) k )折叠交叉检测中，将样本数据随机k分割)，每次随机选择中小学部分作为训练集，剩下的一部分作为测试集。 这个回合结束后，随机重新选择中小学部分训练数据。 在几个回合(小于k )后，选择损失函数评估的最佳模型和参数。 具有可以降低一次随机化的偶然性，提高泛化能力的优点。 但是，k形转弯还有另一个问题。 因为是随机的划分，所以在划分的过程中很有可能正好划分出范畴。 例如，在第一回合的训练集中，所有的标签都为0，在第二回合的测试集中，所有的标签都为1。 这对模型训练不太好。 其中，在某个模型上学习时无法学习测试集的分类特性。 在KFold是这样的。