一、例子
Data = rand(9,3);%創建維度為9×3的隨機矩陣樣本
indices = crossvalind('Kfold', 9, 3);%將數據樣本隨機分割為3部分
for i = 1:3 %循環3次，分別取出第i部分作為測試樣本，其余兩部分作為訓練樣本
test = (indices == i);
train = ~test;
trainData = Data(train, :);
testData = Data(test, :);
end
程序解讀：1、創建9X3的矩陣
2、把矩陣按將9行數據分成3個類
3、拿出每一類的數據拿出來進行驗證
例如，最后運行的是第三類，可以看到分類中，1，5，9行為第三類數據
原始數據中的1，5，9行的數據為test_trian （檢驗數據）,剩下的數據為測試數據。test對應的測試集數據邏輯值為1，train對應的訓練集數據邏輯值為1。
二、k-重交叉驗證(k-fold crossValidation)：
[M,N]=size(data);//數據集為一個M*N的矩陣，其中每一行代表一個樣本
indices=crossvalind('Kfold',data(1:M,N),10);//進行隨機分包
fork=1:10//交叉驗證k=10，10個包輪流作為測試集
test = (indices == k); //獲得test集元素在數據集中對應的單元編號
train = ~test;//train集元素的編號為非test元素的編號
train_data=data(train,:);//從數據集中划分出train樣本的數據
train_target=target(:,train);//獲得樣本集的測試目標，在本例中是實際分類情況
test_data=data(test,:);//test樣本集
test_target=target(:,test);
三、利用十折交叉驗證計算錯誤分類率
3.1代碼部分
load fisheriris
indices = crossvalind('Kfold',species,10);
cp = classperf(species);
for i = 1:10
test = (indices == i); train = ~test; %分別取第1、2、...、10份為測試集，其余為訓練集
class = classify(meas(test,:),meas(train,:),species(train,:));
classperf(cp,class,test);
end
cp.ErrorRate %查詢錯誤分類率
fisheriris為鳶尾花數據集：有meas和species兩部分
3.2相關函數解釋
3.2.1Indices = crossvalind('Kfold', N, K)
1）參數'Kfold'表明為了K折十字交叉驗證，把數據集N隨機分成平均的（或近似評價的）K份，Indices中為每個樣本所屬部分的索引（從1到K)
2）因為是隨機分，因此重復調用會產生不同分法。
3）在K折十字交叉驗證中，K-1份被用做訓練，剩下的1份用來測試，這個過程被重復K次。
3.2.2cp = classperf(truelabels)
1）classperf是評估分類器性能（Evaluate performance of classifie）函數。
2）truelabels中為每個樣本對應的真實類別，創建並初始化一個空的分類器性能對象CP。
3.2.3class = classify(sample,training,group)
1）classify是判別分析（Discriminant Analysis）函數。
2）若事先已經建立類別，則使用判別分析；若事先沒有建立類別，則使用聚類分析。一般地，若已有給定的若干總體的（即若干類別）的觀測資料，希望構造一個或多個判別函數，能由此函數對新的位置其所屬總體的樣品作出判斷，從而決定其應屬於哪個總體，這就是判別分析問題。
3）判別分析是利用原有的分類信息，得到判別函數（判別函數關系式，一般是與分類相關的若干個指標的線性關系式），然后利用 該函數去判斷未知樣品屬於哪一類。因此，這是一個學習與預測的過程。常用的判別分析法有距離判別法、費歇爾判別法、貝葉斯判別法等。
4）matlab中語法：class = classify(sample,training,group) ，默認線性判別分析，將sample的每個樣本進行判別，分到trainning指定的類中，返回該類表作為分類結果。還可以用參數type指定判別分析法。
3.2.4classperf(cp, classout, testidx)
1）根據分類結果，更新分類器性能對象CP。
2）在十折交叉驗證法中，就是重復10次，可累積得到總的錯誤分類率。
四、10折交叉驗證例子
第1步，將數據等分到10個桶中。
我們會將500名籃球運動員和500名非籃球運動員分到每個桶中。每個桶當中放入了100人的信息。
第2步，下列步驟重復10次。
（1）每一次迭代中留存其中一個桶。第一次迭代中留存桶1，第二次留存桶2，其余依此類推。
（2）用其他9個桶的信息訓練分類器（第一次迭代中利用從桶2到桶10的信息訓練分類器）。
（3）利用留存的數據來測試分類器並保存測試結果。在上例中，這些結果可能如下：
35個籃球運動員被正確分類；
29個非籃球運動員被正確分類。
第3步，對上述結果匯總。
通常情況下我們會將結果放到與下表類似的表格中：
| 分成籃球運動員 | 分成非籃球運動員 | |
| 實際為籃球運動員 | 372 | 128 |
| 實際為非籃球運動員 | 220 | 280 |
在所有500名籃球運動員中，有372人被正確分類。可能需要做的一件事是將右下角的數字也加上去，也就是說1000人當中有652（372+280）人被正確分類。因此得到的精確率為65.2%。與2折或3折交叉驗證相比，基於10折交叉驗證得到的結果可能更接近於分類器的真實性能。之所以這樣，是因為每次采用90%而不是2折交叉驗證中僅僅50%的數據來訓練分類器。
五、Pyton程序
def KFoldCV(D, A, k): """ k-fold 交叉驗證 參數說明： D：給定數據集 A：學習函數 k：折數 """ np.random.shuffle(D) dataset = np.split(D, k) acc_rate = 0 for i in range(k): train_set = dataset.copy() test_set = train_set.pop(i) train_set = np.vstack(train_set) A.train(train_set[:,:-1], train_set[:,-1]) # 每次的訓練集 labels = A.fit(test_set[:,:-1]) # 每次的測試集 acc_rate += np.mean(labels==test_set[:,-1]) # 計算平均誤差 return acc_rate/k