k-Fold Cross-Validation 是用來評估機器學習模型穩定度的資料切分方法。相比只切一次訓練集與測試集的 Holdout method，k-Fold 會讓每個子集輪流當測試集，因此特別適合資料量有限、又想降低切分偶然性的模型評估。
Holdout method 是什麼？
Holdout method 是最基本的資料切分方法。Holdout method 會把資料集切成訓練資料與測試資料，通常使用 70:30 或 80:20。
在 Holdout method 中，模型只在訓練資料上學習，最後用測試資料評估。這種方式簡單、快速，很適合第一次建立 baseline。
但 Holdout method 的結果容易受到資料切分方式影響。資料在切分前通常會隨機洗牌，每次切到的訓練資料不同，模型分數也可能不同。當資料集不大時，測試資料可能包含重要資訊，卻完全沒有參與訓練。
```python
import tensorflow as tf
dataset = tf.keras.utils.image_dataset_from_directory(
"image_directory",
labels="inferred",
class_names=None,
label_mode="int",
)
dataset_size = tf.data.experimental.cardinality(dataset).numpy()
test_size = int(0.2 * dataset_size)
train_size = dataset_size - test_size
train_dataset = dataset.take(train_size)
test_dataset = dataset.skip(train_size)
```
k-Fold Cross-Validation 如何改善 Holdout？
k-Fold Cross-Validation 會把資料切成 k 份，讓每一份輪流當測試集。k-Fold Cross-Validation 的平均分數比單次 Holdout 更能代表模型穩定度。
k-Fold 的流程如下：
- 將整個資料集隨機切成 k 個子集。
- 每次取 k-1 個子集訓練模型，剩下 1 個子集測試模型。
- 重複 k 次，直到每個子集都當過測試集。
- 將 k 次準確率平均，作為交叉驗證準確率。
k-Fold 的優點是每筆資料都有機會進入訓練與測試，因此偏差通常比單次 Holdout 小。缺點是訓練演算法必須從頭執行 k 次，評估成本約為 k 倍。
StratifiedKFold 適合什麼資料？
StratifiedKFold 適合分類問題，特別是類別分布不平均或資料量有限時。StratifiedKFold 會讓每個 fold 保持接近整體的類別比例。
一般 KFold 在分類問題上可能產生不平衡 fold。例如二元分類資料原本正負類各 50%，但隨機切分後，某個 fold 可能正類過多、負類過少，導致訓練或評估偏差。
分層的目標是重新排列資料，讓每個 fold 都能代表整體資料分布。原文使用三種資料、每種 70 張、共 210 張圖片測試；每次訓練 168 張、測試 42 張。
改用 StratifiedKFold 後，訓練過程更順利，因為每次資料切分都保留各類別比例。
TensorFlow 圖片資料如何做 KFold？
TensorFlow 圖片資料要做 KFold，可先把 dataset 轉成 NumPy 陣列，再交給 scikit-learn 的 KFold 或 StratifiedKFold 切分。
```python
import numpy as np
import pathlib
import tensorflow as tf
from sklearn.model_selection import KFold
from sklearn.preprocessing import LabelEncoder
img_path = "dice3"
train_ds = tf.keras.utils.image_dataset_from_directory(
img_path,
seed=7,
batch_size=32,
)
X = []
y = []
for images, labels in train_ds:
X.append(images.numpy())
y.append(labels.numpy())
X = np.concatenate(X, axis=0)
y = np.concatenate(y, axis=0)
y = LabelEncoder().fit_transform(y)
```
資料準備完成後，就可以用 `KFold(n_splits)` 產生訓練與測試 index。每個 fold 都重新建立模型，避免前一次訓練權重污染下一次結果。
StratifiedKFold 範例怎麼改？
將 KFold 改成 StratifiedKFold 時，需要在 `split(X_data, y_data)` 同時傳入特徵與標籤。StratifiedKFold 會根據標籤維持類別比例。
```python
from sklearn.model_selection import StratifiedKFold
def make_dataset(X_data, y_data, n_splits):
def gen():
kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=123)
for train_index, test_index in kfold.split(X_data, y_data):
X_train, X_test = X_data[train_index], X_data[test_index]
y_train, y_test = y_data[train_index], y_data[test_index]
yield X_train, y_train, X_test, y_test
return tf.data.Dataset.from_generator(
gen,
(tf.float64, tf.float64, tf.float64, tf.float64),
)
```
常見問題
k-Fold Cross-Validation 的 k 要設多少？
常見設定是 5 或 10。資料量小時可以提高 k，但訓練成本也會增加；圖片模型通常先從 5-fold 開始比較實際。
Holdout method 什麼時候夠用？
資料量大、類別分布穩定、只需要快速 baseline 時，Holdout method 通常夠用。若模型分數對切分很敏感，就應考慮 k-Fold。
StratifiedKFold 和 KFold 差在哪裡？
KFold 只負責切成 k 份，不保證類別比例。StratifiedKFold 會讓每份資料的類別比例接近整體資料集。
k-Fold 可以避免 overfitting 嗎？
k-Fold 不能直接避免 overfitting，但能幫助觀察模型在不同資料切分下是否穩定。如果訓練分數高、驗證分數低，仍需要正則化、資料增強或調整模型。
圖片資料一定要轉 NumPy 才能用 StratifiedKFold 嗎？
scikit-learn 的 StratifiedKFold 主要回傳 index，因此通常會先把圖片與標籤整理成可索引的陣列。也可以用檔案路徑與標籤陣列切分，再建立 TensorFlow dataset。
參考資料
- scikit-learn, KFold, https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.KFold.html，存取日期：2026-08-27。
- scikit-learn, StratifiedKFold, https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.StratifiedKFold.html，存取日期：2026-08-27。
- TensorFlow, image_dataset_from_directory, https://www.tensorflow.org/api_docs/python/tf/keras/utils/image_dataset_from_directory，存取日期：2026-08-27。
最後更新
Wed Jun 21 2023 08:00:00 GMT+0800 (Taiwan Standard Time)
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-06-21