這段虛擬程式碼在描述哪一種驗證法？
原題
請參考附圖，下列虛擬程式碼（pseudocode）最可能是在描述何種驗證法？ Input: - data_set: 包含 N 筆資料的資料集 - model_training_function: 用來訓練模型的函式 - model_evaluation_function: 用來評估模型的函式（如計算誤差或準確率） Output: - 平均評估指標（如平均準確率或平均誤差） Algorithm: 1. 初始化評估指標列表 metrics = [] 2. 對 i = 1 到 N: a. 將第 i 筆資料作為測試集 test_data b. 將其餘 N-1 筆資料作為訓練集 train_data c. 使用 model_training_function 在 train_data 上訓練模型 d. 使用訓練好的模型對 test_data 做預測，計算評估指標 metric_i e. 將 metric_i 加入 metrics 3. 計算 metrics 的平均值 mean_metric 4. 回傳 mean_metric
白話
有一段虛擬程式碼，它的運作方式是：每次從 N 筆資料中拿出第 i 筆當測試集，用剩下 N-1 筆訓練模型，這樣重複 N 次（每筆資料輪流當一次測試），最後取 N 次評估指標的平均值。
問你：這段程式碼描述的是哪一種模型驗證方法？
先自己選一個答案，再看完整解析。
一句話總結
每次只留一筆當測試、用剩下 N-1 筆訓練，重複 N 次取平均，這就是留一交叉驗證 LOOCV（Leave-One-Out Cross Validation），它是 K-fold 的極端特例：K=N。
情境
先感受問題：小資料集要怎麼評估模型
「北城醫療研究」的研究員文哲，手上有一個珍貴的罕見疾病資料集，只有 50 筆病患記錄，每一筆都是花了大量人力標註的。
他要評估一個分類模型的效能，但 50 筆資料如果切成訓練集和測試集，測試集可能只有 10-15 筆，評估結果不穩定、方差太大。
文哲需要一個方法，讓每一筆資料都被拿去測試，同時訓練集盡量大（用 N-1 筆）。這樣評估結果最接近「用所有資料訓練的模型效能」，且偏差最小。
舊方法
其他驗證方式在小資料集上的問題
- Hold-out 切一次就完，評估不穩定：隨機切 70/30，測試集只有 15 筆，碰到分佈偏斜就差很多，重跑一次結果可能差 5-10%。
- K-fold 每折測試集仍有多筆，評估不夠細緻：5-fold 時每折測試集有 10 筆，LOOCV 每次只有 1 筆，後者對每個樣本的「留出評估」更精確。
- Bootstrap 有放回抽樣，訓練集可能重複同一筆：Bootstrap 訓練集用有放回抽樣，可能同一筆出現多次，訓練集代表性不如 LOOCV 的 N-1 筆不重複。
- 隨機切分每次結果不同，難以重現：Hold-out 和普通 K-fold 依賴隨機種子，不同種子結果不一樣，LOOCV 切法固定，結果確定性最高。
- 資料少時，統計量估計誤差大：測試集越少，指標方差越大；LOOCV 每次只測 1 筆是極端情況，N 次結果的方差雖然大，但平均偏差最小（偏差-方差取捨）。
新方法
讀懂 pseudocode 的三個關鍵線索
文哲看到這段 pseudocode，抓住三個識別 LOOCV 的關鍵：
- 循環從 i=1 到 N：重複 N 次，每次循環對應資料集中的一筆
- 測試集 = 第 i 筆，訓練集 = 其餘 N-1 筆：每次只留「一筆」出來，這就是「Leave-One-Out」的含義
- 最終取 N 次評估的平均值：不是看某一次的結果，是全部 N 次取平均
對比 K-fold：K-fold 的外層循環是「i=1 到 K」（通常 5 或 10），測試集是「第 i 折」（多筆）；LOOCV 的外層循環是「i=1 到 N」，測試集是「第 i 筆」（一筆）。
這就是選項 B 講的：留一交叉驗證 LOOCV（Leave-One-Out Cross Validation）。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Step 1 純故事版
- 有 N 個學生的考試成績，想評估一個「分數預測模型」的準確度
- 第一輪：把第 1 個學生的成績藏起來，用其他 N-1 人訓練模型，再去預測第 1 人的成績，記錄誤差
- 第二輪：藏第 2 個人，用其他 N-1 人訓練，預測第 2 人，記錄誤差
- …重複 N 次，每個學生都輪流當「那個被藏起來的測試」
- 最後把 N 個誤差平均，得到模型的評估指標
Step 2 中文 ↔ pseudocode 對照
| 故事 | pseudocode |
|---|---|
| 有 N 個學生的資料 | data_set（包含 N 筆） |
| 每輪輪流藏一個 | for i = 1 to N |
| 被藏起來的那個 | test_data = 第 i 筆 |
| 其他 N-1 人 | train_data = 其餘 N-1 筆 |
| 記錄每輪誤差 | metrics.append(metric_i) |
| 最後取平均 | mean_metric = avg(metrics) |
Step 3 符號角色表
- N：資料集中的總筆數，也是 LOOCV 的迭代次數（每筆都要被測試一次）。
- i：當前輪次的索引，從 1 到 N，代表「這輪拿第 i 筆當測試集」。
- test_data：每次輪到的「第 i 筆」資料，只有 1 筆，這是 LOOCV 最核心的特徵。
- train_data：每次的訓練集，是「除了第 i 筆之外」的所有 N-1 筆資料。
- metrics：儲存每輪評估指標的列表，最後的平均值就是 LOOCV 的最終評估結果。
Step 4 完整公式對應
LOOCV 估計的誤差公式：
- CV_LOOCV = (1/N) × Σᵢ₌₁ᴺ L(yᵢ, ŷᵢ)
- 其中 L 是損失函數（如 MSE 或 0-1 Loss），yᵢ 是真實值，ŷᵢ 是用 N-1 筆訓練的模型對第 i 筆的預測值
這和 K-fold 的公式幾乎一樣，差別在 K=N（每折只有 1 筆）。
Step 5 自我複述
蓋住 pseudocode，用自己的話說出這 4 步：
- 循環 N 次（N = 資料集大小）
- 每次第 i 筆當測試集，其他 N-1 筆當訓練集
- 訓練模型後評估第 i 筆的指標
- N 次結果取平均
能講出來代表你看懂這類 pseudocode 了。
錯選項
為什麼其他選項是錯的
AHold-out 驗證（Hold-out Validation）
字面在說什麼
把資料分成訓練集和測試集（如 70/30），只訓練和評估一次。
為什麼不對
Hold-out 只分一次、評估一次，沒有循環；pseudocode 有 N 次循環，明顯不是 Hold-out。Hold-out 的特徵：「固定切分、一次訓練、一次評估」。
誰會選錯
看到「訓練集 / 測試集」就聯想 Hold-out，沒有注意到 pseudocode 有明顯的 N 次迴圈結構。
CK-fold 交叉驗證（K-fold Cross Validation）
字面在說什麼
把資料分成 K 折，每次用 K-1 折訓練、1 折測試，重複 K 次取平均。
為什麼不對
K-fold 的外層迴圈是「i=1 到 K」（K 通常是 5 或 10），測試集是「第 i 折」（多筆資料）；pseudocode 的迴圈是「i=1 到 N」，測試集是「第 i 筆」（只有 1 筆）。LOOCV 可以理解為 K=N 的 K-fold，但當 K=N 時，每個測試集只有 1 筆，這是 LOOCV 的定義。
誰會選錯
知道這是交叉驗證的一種，誤以為「K-fold 是所有交叉驗證的統稱」，沒有區分 K-fold（K 固定為小數字）和 LOOCV（K=N）的差別。
D拔靴法（Bootstrap）驗證
字面在說什麼
有放回地從原始資料抽取多個訓練集，用每次未被抽到的樣本（out-of-bag）做評估。
為什麼不對
Bootstrap 的關鍵特徵是「有放回抽樣」，同一筆資料可能在訓練集裡出現多次；pseudocode 的 train_data 是「其餘 N-1 筆」（不放回，沒有重複），和 Bootstrap 的放回抽樣完全不同。
誰會選錯
記得 Bootstrap 也是一種模型評估方法，但不記得 Bootstrap 的關鍵特徵是「有放回抽樣」，把所有「重複評估」的方法都歸成 Bootstrap。
變形題
同個考點下次怎麼變形
LOOCV 感覺就是 K=N 的 K-fold？
答案
是的，LOOCV 等價於 K=N 的 K-fold。但實作上，LOOCV 有專門的優化（利用 hat matrix 直接計算，不需要真的跑 N 次線性迴歸）；sklearn 也有獨立的 LeaveOneOut 類別，不是靠 KFold(n_splits=N) 實現。
LOOCV 聽起來很嚴格，有什麼缺點嗎？
答案
優點：偏差最小（每次訓練集大小 N-1，接近全量）；確定性高（不依賴隨機切分）。缺點：計算成本高（N 次訓練），N 很大時不實際；評估結果方差高（每次測試只有 1 筆，結果不穩定）。適用：小資料集（N < 1,000）、需要偏差極小的場景。
如果把 N 換成 K，每次測試集是「多筆」，會是什麼？
答案
就是標準的 K-fold 交叉驗證。迴圈從 1 到 K（K 通常是 5 或 10），每次測試集是「第 fold 折」（包含 N/K 筆資料），訓練集是其餘 K-1 折。和 LOOCV 的差別只在測試集大小：K-fold 是「一折（多筆）」，LOOCV 是「一筆」。
LOOCV 是每次留一個，有沒有「每次留多個」的版本？
答案
Leave-P-Out（LPO）每次從 N 筆中留出 P 筆當測試集，訓練集是 N-P 筆。LOOCV 是 LPO 的特例（P=1）。LPO 的迭代次數是 C(N,P)（組合數），N=50、P=2 就要跑 1,225 次，計算量急劇增加，實務上少用。
N 很大時，LOOCV 的計算量會怎樣？
答案
需要跑 10,000 次訓練。若每次訓練耗時 1 秒，就需要 10,000 秒（約 2.8 小時）。若是複雜模型（如神經網路），完全不可行。大資料集應改用 K-fold（K=5 或 10），只需訓練 5-10 次。LOOCV 只適合 N 很小的場景。
延伸
想再往下看，這 5 個
- 交叉驗證（Cross-Validation）
LOOCV 是交叉驗證的極端特例，K=N，偏差最小但計算成本最高。 - 過擬合（Overfitting）
LOOCV 提供接近無偏的泛化誤差估計，是評估模型是否過擬合的可靠工具。 - 偏差方差權衡（Bias-Variance Tradeoff）
LOOCV 偏差低但方差高；K-fold 偏差稍高但方差低，是偏差方差取捨的具體例子。 - 驗證資料集（Validation Set）
LOOCV 每輪的測試集（1 筆）就是臨時的驗證集，通過輪替讓每筆都被驗證。 - 超參數調校（Hyperparameter Tuning）
LOOCV 常被用於超參數選擇，在小資料集上尋找最佳模型配置。