算法等小知识点

1.10-fold cross-validation
十折交叉验证，是常用的精度测试方法。将数据集分成十份，轮流将其中9份做训练1份做测试，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10倍交叉验证求均值，例如10次10倍交叉验证，更精确一点。

k-fold cross validation，k-fold，就是取整个样本的1/k作为预测样本，(k-1)/k作为训练样本。当用训练样本对数据作出模型后，再用预测样本来预测。
leave-one-out cross validation就是把n-1个样本作为训练集，剩下1个样本作为预测集。并且循环，使得每个样本都作为一次预测集，然后计算交叉验证的正确率。

2.混淆矩阵
也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。
混淆矩阵的每一列代表了预测类别 ，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别 ，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目：如下图，第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类，同理，第二行第一列的2表示有2个实际归属为第二类的实例被错误预测为第一类；第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3。