從母體抽出一組樣本資料後，可以對某個選定的數學模型，
基於選定的目標函數進行優化擬合，而決定該模型的未知參
數。
然而，也有要求對模型進行交叉驗證(cross-validation)
者，亦即利用某種方式把樣本資料分成訓練集(training set)
和測試集(testing set)，多次訓練與測試之後，取多次訓練
的參數結果之平均值為估計值，並得到該估計值的信心區間。
至於在測試集所測的結果，可用於評估所擬合的模型是否屬於
乏擬合(under-fitting)或過擬合(overfitting)。
請問這交叉驗證的統計理論基礎是甚麼? 例如，為何把同一
組樣本資料經過諸如 k 倍交叉驗證(k-fold cross-validation)
，就能得到所擬合模型參數的平均值和信心區間?
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.36.226.84 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Math/M.1754455611.A.E79.html