什么是帳戶交叉驗(yàn)證，什么叫做交叉認(rèn)證麻煩給詳細(xì)解釋一下

來源：整理時(shí)間：2023-07-28 21:17:19 編輯：金融知識(shí) 手機(jī)版

1，什么叫做交叉認(rèn)證麻煩給詳細(xì)解釋一下

舉個(gè)例子說吧還是，譬如互聯(lián)星空就是用二次密碼認(rèn)證功能，這個(gè)就是交叉認(rèn)證，通過電話對自定義的支付密碼進(jìn)行確認(rèn)，實(shí)現(xiàn)互聯(lián)網(wǎng)和電話的交叉認(rèn)證，增加了消費(fèi)安全性?，F(xiàn)在有一些銀行也采用交叉認(rèn)證。具體的要是給這個(gè)下個(gè)定義的話，對不起，呵呵，暫時(shí)還不會(huì)。

不明白啊 = =！

什么叫做交叉認(rèn)證麻煩給詳細(xì)解釋一下

2，什么是交叉認(rèn)證

這個(gè)是電子商務(wù)的專業(yè)術(shù)語，舉個(gè)例子說吧，譬如互聯(lián)星空就是用二次密碼認(rèn)證功能，這個(gè)就是交叉認(rèn)證，通過電話對自定義的支付密碼進(jìn)行確認(rèn)，實(shí)現(xiàn)互聯(lián)網(wǎng)和電話的交叉認(rèn)證，增加了消費(fèi)安全性。現(xiàn)在有一些銀行也采用交叉認(rèn)證。

舉個(gè)例子說吧還是，譬如互聯(lián)星空就是用二次密碼認(rèn)證功能，這個(gè)就是交叉認(rèn)證，通過電話對自定義的支付密碼進(jìn)行確認(rèn)，實(shí)現(xiàn)互聯(lián)網(wǎng)和電話的交叉認(rèn)證，增加了消費(fèi)安全性。現(xiàn)在有一些銀行也采用交叉認(rèn)證。具體的要是給這個(gè)下個(gè)定義的話，對不起，呵呵，暫時(shí)還不會(huì)。

什么是交叉認(rèn)證

3，什么叫交叉檢驗(yàn)

交叉驗(yàn)證(Cross-validation)主要用于建模應(yīng)用中，例如PCR 、PLS 回歸建模中。在給定的建模樣本中，拿出大部分樣本進(jìn)行建模型，留小部分樣本用剛建立的模型進(jìn)行預(yù)報(bào)，并求這小部分樣本的預(yù)報(bào)誤差，記錄它們的平方加和。這個(gè)過程一直進(jìn)行，直到所有的樣本都被預(yù)報(bào)了一次而且僅被預(yù)報(bào)一次。把每個(gè)樣本的預(yù)報(bào)誤差平方加和，稱為PRESS(predicted Error Sum of Squares)用交叉驗(yàn)證的目的是為了得到可靠穩(wěn)定的模型。在建立PCR 或PLS 模型時(shí)，一個(gè)很重要的因素是取多少個(gè)主成分的問題。用cross validation 校驗(yàn)每個(gè)主成分下的PRESS值，選擇PRESS值小的主成分?jǐn)?shù)?；騊RESS值不再變小時(shí)的主成分?jǐn)?shù)。[1]常用的精度測試方法主要是交叉驗(yàn)證，例如10折交叉驗(yàn)證(10-fold cross validation)，將數(shù)據(jù)集分成十份，輪流將其中9份做訓(xùn)練1份做測試，10次的結(jié)果的均值作為對算法精度的估計(jì)，一般還需要進(jìn)行多次10折交叉驗(yàn)證求均值，例如：10次10折交叉驗(yàn)證，以求更精確一點(diǎn)。交叉驗(yàn)證有時(shí)也稱為交叉比對，如：10折交叉比對來自百度百科http://baike.baidu.com/link?url=-zt8WqUbrdLtJDHYbGEIDI9y9Qr5CquCRXSnEnav1grSgv763QeAf3md4ZfL4Wxk-ZY-VjBfyQXSfwPhg05fk_

什么叫交叉檢驗(yàn)

4，留一法交叉驗(yàn)證和普通交叉驗(yàn)證有什么區(qū)別

下面是一些定義及作用：Training set: A set of examples used for learning, which is to fit the parameters [i.e., weights] of the classifier.訓(xùn)練集是用來學(xué)習(xí)的樣本集，通過匹配一些參數(shù)來建立一個(gè)分類器Validation set: A set of examples used to tune the parameters [i.e., architecture, not weights] of a classifier, for example to choose the number of hidden units in a neural network.驗(yàn)證集是用來調(diào)整分類器的參數(shù)的樣本集，比如在神經(jīng)網(wǎng)絡(luò)中選擇隱藏單元數(shù)。驗(yàn)證集還用來確定網(wǎng)絡(luò)結(jié)構(gòu)或者控制模型復(fù)雜程度的參數(shù)Test set: A set of examples used only to assess the performance [generalization] of a fully specified classifier.測試集純粹是為了測試已經(jīng)訓(xùn)練好的模型的分類能力的樣本集。一般驗(yàn)證集在交叉驗(yàn)證里應(yīng)用的比較多：利用交叉驗(yàn)證方法選擇模型思路是：使用訓(xùn)練集(trainset)數(shù)據(jù)所有候選模型進(jìn)行參數(shù)估計(jì)，使用驗(yàn)證集(validationset)為檢驗(yàn)樣本，然后計(jì)算預(yù)測均方誤差，比較各個(gè)模型的預(yù)測均方誤差，選擇預(yù)測均方誤差最小的擬合模型為選擇模型。

留一法交叉驗(yàn)證：假設(shè)有n個(gè)樣本，將每一個(gè)樣本作為測試樣本，其它n-1個(gè)樣本作為訓(xùn)練樣本。這樣得到n個(gè)分類器，n個(gè)測試結(jié)果。用這n個(gè)結(jié)果的平均值來衡量模型的性能。普通交叉驗(yàn)證：我理解的是k倍交叉驗(yàn)證（k-fold cross validation）：將所有樣本分成k份，一般每份樣本的數(shù)量相等或相差不多。取一份作為測試樣本，剩余k-1份作為訓(xùn)練樣本。這個(gè)過程重復(fù)k次，最后的平均測試結(jié)果可以衡量模型的性能。

5，什么是交叉檢驗(yàn)

交叉驗(yàn)證（Cross Validation）是用來驗(yàn)證分類器的性能一種統(tǒng)計(jì)分析方法，基本思想是把在某種意義下將原始數(shù)據(jù)（dataset）進(jìn)行分組，一部分做為訓(xùn)練集（training set），另一部分做為驗(yàn)證集（validation set），首先用訓(xùn)練集對分類器進(jìn)行訓(xùn)練，在利用驗(yàn)證集來測試訓(xùn)練得到的模型（model），以此來做為評價(jià)分類器的性能指標(biāo)。常見的交叉驗(yàn)證方法如下：1、Hold-Out Method 將原始數(shù)據(jù)隨機(jī)分為兩組，一組做為訓(xùn)練集，一組做為驗(yàn)證集，利用訓(xùn)練集訓(xùn)練分類器，然后利用驗(yàn)證集驗(yàn)證模型，記錄最后的分類準(zhǔn)確率為此分類器的性能指標(biāo)。此種方法的好處的處理簡單，只需隨機(jī)把原始數(shù)據(jù)分為兩組即可，其實(shí)嚴(yán)格意義來說Hold-Out Method并不能算是CV，因?yàn)檫@種方法沒有達(dá)到交叉的思想，由于是隨機(jī)的將原始數(shù)據(jù)分組，所以最后驗(yàn)證集分類準(zhǔn)確率的高低與原始數(shù)據(jù)的分組有很大的關(guān)系，所以這種方法得到的結(jié)果其實(shí)并不具有說服性。2、Double Cross Validation（2-fold Cross Validation，記為2-CV）做法是將數(shù)據(jù)集分成兩個(gè)相等大小的子集，進(jìn)行兩回合的分類器訓(xùn)練。在第一回合中，一個(gè)子集作為training set，另一個(gè)便作為testing set；在第二回合中，則將training set與testing set對換后，再次訓(xùn)練分類器，而其中我們比較關(guān)心的是兩次testing sets的辨識(shí)率。不過在實(shí)務(wù)上2-CV并不常用，主要原因是training set樣本數(shù)太少，通常不足以代表母體樣本的分布，導(dǎo)致testing階段辨識(shí)率容易出現(xiàn)明顯落差。此外，2-CV中分子集的變異度大，往往無法達(dá)到“實(shí)驗(yàn)過程必須可以被復(fù)制”的要求。3、K-fold Cross Validation（K-折交叉驗(yàn)證，記為K-CV）將原始數(shù)據(jù)分成K組（一般是均分），將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余的K-1組子集數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到K個(gè)模型，用這K個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為此K-CV下分類器的性能指標(biāo)。K一般大于等于2，實(shí)際操作時(shí)一般從3開始取，只有在原始數(shù)據(jù)集合數(shù)據(jù)量小的時(shí)候才會(huì)嘗試取2。K-CV可以有效的避免過學(xué)習(xí)以及欠學(xué)習(xí)狀態(tài)的發(fā)生，最后得到的結(jié)果也比較具有說服性。4、Leave-One-Out Cross Validation（記為LOO-CV）如果設(shè)原始數(shù)據(jù)有N個(gè)樣本，那么LOO-CV就是N-CV，即每個(gè)樣本單獨(dú)作為驗(yàn)證集，其余的N-1個(gè)樣本作為訓(xùn)練集，所以LOO-CV會(huì)得到N個(gè)模型，用這N個(gè)模型最終的驗(yàn)證集的分類準(zhǔn)確率的平均數(shù)作為此下LOO-CV分類器的性能指標(biāo)。相比于前面的K-CV，LOO-CV有兩個(gè)明顯的優(yōu)點(diǎn)：（1）每一回合中幾乎所有的樣本皆用于訓(xùn)練模型，因此最接近原始樣本的分布，這樣評估所得的結(jié)果比較可靠。（2）實(shí)驗(yàn)過程中沒有隨機(jī)因素會(huì)影響實(shí)驗(yàn)數(shù)據(jù)，確保實(shí)驗(yàn)過程是可以被復(fù)制的。但LOO-CV的缺點(diǎn)則是計(jì)算成本高，因?yàn)樾枰⒌哪Ｐ蛿?shù)量與原始數(shù)據(jù)樣本數(shù)量相同，當(dāng)原始數(shù)據(jù)樣本數(shù)量相當(dāng)多時(shí)，LOO-CV在實(shí)作上便有困難幾乎就是不顯示，除非每次訓(xùn)練分類器得到模型的速度很快，或是可以用并行化計(jì)算減少計(jì)算所需的時(shí)間。