kfolds和 rmse演示代码

`KFold` 是一种常用的交叉验证方法，用于评估机器学习模型的性能。`RMSE`（均方根误差）则是用来衡量预测结果与实际值之间差异的一种指标。

下面是一个使用 `KFold` 进行交叉验证和计算 `RMSE` 的简单示例，假设我们有一个简单的线性回归模型（这里使用 scikit-learn 库）：

from sklearn.model_selection import KFold
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np

# 假设我们有如下数据（X - 特征，y - 目标变量）
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 3, 4, 5, 6])

# 创建一个 KFold 对象
kfold = KFold(n_splits=5, shuffle=True)

# 初始化一个线性回归模型
model = LinearRegression()

# 计算 RMSE 通过 K-Fold 交叉验证
rmse_scores = []
for train_index, val_index in kfold.split(X):
    X_train, y_train = X[train_index], y[train_index]
    X_val, y_val = X[val_index], y[val_index]

    model.fit(X_train, y_train)
    y_pred = model.predict(X_val)
    
    rmse = np.sqrt(mean_squared_error(y_val, y_pred))
    rmse_scores.append(rmse)

# 打印平均 RMSE
mean_rmse = np.mean(rmse_scores)
print(f"Mean RMSE across folds: {mean_rmse}")

在这个例子中，`KFold` 将数据集分成 5 份（n_splits=5），每次训练模型时使用其中 4 份作为训练集，剩下的 1 份作为验证集。最后，计算所有验证集上的 RMSE 并取平均值。