K折验证（K-fold validation）将数据划分为K个分区。对每个分区 i，在剩余的 K-1 个分区上训练模型，在分区 i 上评估模型。最终分数是 K 个分数的平均值。

K 折交叉验证

k = 4
num_validation_samples = len(data) // k

np.random.shuffle(data)

validation_scores = []
for fold in rank(k):
    validation_data = data[num_validation_samples * fold:
                      num_validation_samples * (fold + 1)] # 选择验证数据分区
    training_data = data[:num_validation_samples * fold] +
    data[num_validation_samples * (fold + 1):]
    # 使用剩余数据作为训练数据。注意，+ 运算符是列表合并，不是求和
    
    model = get_model() # 创建一个全新的模型实例（未训练）
    model.train(training_data)
    validation_score = model.evaluate(validation_data)
    validation_scores.append(validation_score)
    
validation_score = np.average(validation_scores) # 最终验证分数：K折验证分数的平均值

model = get_model() # 在所有非测试数据上训练模型
model.train(data)
test_score = model.evaluate(test_data)

带有打乱数据的重复 K 折验证

多次使用 K 折验证，在每次将数据划分为 K 个分区前，先将数据打乱。最终分数是多次 K 折验证分数的平均值。这种方法一共要训练和评估 P * K 个模型，P 是重复次数，计算代价很大。

评估模型注意事项

• 数据代表性（data representativeness），在将数据划分为训练集和测试集之前，应该随机打乱数据；
• 时间箭头（the arrow of time），如果想要预测未来（明天天气），在划分数据前不应该打乱数据，以免造成时间泄露（temporal leak）。要保证测试集上的所有数据时间，都晚于训练集数据；
• 数据冗余（redundancy in your data），确保训练集和验证集之间没有交集。