从母体抽出一组样本资料後，可以对某个选定的数学模型， 基於选定的目标函数进行优化拟合，而决定该模型的未知参 数。 然而，也有要求对模型进行交叉验证(cross-validation) 者，亦即利用某种方式把样本资料分成训练集(training set) 和测试集(testing set)，多次训练与测试之後，取多次训练 的参数结果之平均值为估计值，并得到该估计值的信心区间。 至於在测试集所测的结果，可用於评估所拟合的模型是否属於 乏拟合(under-fitting)或过拟合(overfitting)。 请问这交叉验证的统计理论基础是甚麽? 例如，为何把同一 组样本资料经过诸如 k 倍交叉验证(k-fold cross-validation) ，就能得到所拟合模型参数的平均值和信心区间? --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.36.226.84 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Math/M.1754455611.A.E79.html