问使用标准差作为模型选择的度量

EN

验证分数的标准差是否与过度拟合/误差相关？

是的:高方差表明模型在不同的训练集之间不稳定，这意味着过度拟合的风险很高。

这能用在我的得分上吗？

在得分本身直接使用std开发，我不确定。我认为这更像是一种定性的指示。但是，如果两个不同的模型具有相似的性能，但其中一个具有较高的方差，通常选择后者是一个好主意。

目前，stdev在5%左右，这似乎不算什么。

它总是取决于具体的数据，但是的，我会说5%是相当高的。

我建议，如果我减少每个k倍的验证分数的stdev，那么这应该会减少样本外预测的方差吗？

我不明白你在这里的意思。

一般来说，减少过度拟合的标准方法是增加实例数与特征数目/复杂性之间的比率：

• 如果可能的话，在培训集中添加更多的实例(但很少有可能)
• 应用特征选择减少特征数量
• 简化最复杂的特性；这取决于任务，但通常情况下，删除很少出现的值可能会有所帮助。