cross validation是我們在建模時常常要使用的方法，主要的功能是避免overfitting的問題， 也是我們調參數後可以互相評估比較的手法，今天來聊聊cross validation的種類～

在切割資料時，我們常做train-test split，把資料切成兩組，使用training做模型，test做驗證，而cross validation就是用不同的方法切割資料很多次，每次利用不同的資料訓練模型，常見的方法有：

1. Leave-one-out cross validation: 最極端的切割方法，將每個資料點輪流當成test，剩餘當成train，用這個方法訓練模型代表要花費n-1倍的時間（n是data size），假設今天有十個資料點，這個方法就會建立十個不同的模型再平均他們的表現。

2. K-fold cross validation: 比較常見的方法，也就是把資料隨機分成k組，每次拿一組當成test，剩餘組當成train，當你設定k=n，就等於在執行leave-one-out cv。一般會把K設定為5-10的範圍。另外一個會聽到的名詞是"stratified"，也就是下方的右圖，stratified是發生在如果資料裡有類別變數，這種方法會確保在每一個組裡類別變數的比例是一致的。