罕見疾病與醫療篩檢
陽性病例很少時，分層可降低某折沒有病例的風險；同一病患若有多筆資料，還要搭配群組切分。
若少數類只占一小部分，普通隨機切分可能讓某折完全看不到陽性案例。分層的目的，就是讓每一折都盡量保有可比較的類別比例。
這就是團隊面臨的困境：150 筆資料中，只有 12 顆紅點（陽性心臟病個案），比例低於 8%。
請點擊上方按鈕，看看不同的交叉驗證切分方式會造成什麼影響。
| 方法 | 折數 | 特點 |
|---|---|---|
| K-Fold (K=5／10) | 中等 | 偏差／變異平衡、常用 |
| LOOCV | N(每筆一折) | 近乎無偏但變異大、超貴 |
| Stratified | 各折保比例 | 分類／不平衡必用 |
| Repeated K-Fold | 重複多次 | 更穩、更貴 |
共同特徵是：資料不多、少數類又珍貴。先讓每折保留合理的類別代表，再比較模型，分數才不會只反映切分運氣。
分層與留一交叉驗證是 iPAS 評估方法考點(中級科目三)。重點:分層 CV 保持每折類別比例與整體一致(不平衡分類很重要);LOOCV 每次只留一個樣本驗證、重複 N 次,偏誤低但計算昂貴。易混點:LOOCV 各次訓練集高度重疊、變異可能偏高;一般用 5 或 10 折折衷。情境:資料少或類別不平衡時的穩健評估。
想練情境題與詳解 → AI 學習與考證地圖
在切折時保持每折的類別比例與整體一致；對不平衡分類很重要，避免某折少數類太少或缺席，使評估更穩。
極端的 K 折：每次只留一個樣本當驗證、其餘全訓練，重複 N 次；幾乎用盡資料，但計算昂貴。
優點是偏誤低、適合小資料；缺點是計算量大(訓練 N 次)，且各次訓練集高度重疊使結果變異可能偏高。
常用 5 或 10，在偏誤與變異、計算成本間折衷；資料很少可用 LOOCV，很多則小 K 即可。
類別不平衡或樣本數少的分類任務；分層能確保每折都有各類代表，評估才不會因切分運氣失真。