一篇新的研究论文探讨了k折交叉验证的理论局限性，这是一种广泛用于估计机器学习模型性能的技术。该研究聚焦于二元分类中的多数算法，揭示了交叉验证的准确性高度依赖于折数（k）。研究人员引入了一个极小极大框架，证明当k随样本量n增长时，不可能实现O(1/n)的均方误差，且不可避免地存在Omega(sqrt(k)/n)的下界。这些发现突显了交叉验证中数据重用策略的基本约束，并指出了现有理论工作中的不准确之处。 AI
影响 强调了一种常见机器学习评估技术的理论局限性，可能指导未来对更鲁棒的验证方法的研究。
排序理由 该集群包含一篇详细介绍机器学习方法论理论研究成果的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.25859v1 Announce Type: cross Abstract: We study the mean-squared error of $k$-fold cross-validation as a risk estimator, with particular emphasis on how its accuracy depends on the number of folds $k$. Despite the widespread use of cross-validation, principled guidance…
We study the mean-squared error of $k$-fold cross-validation as a risk estimator, with particular emphasis on how its accuracy depends on the number of folds $k$. Despite the widespread use of cross-validation, principled guidance for choosing $k$ is largely absent, mainly due to…