样本外检验：用未见数据评估机器学习模型

样本外检验是机器学习模型评估的重要步骤，它使用未曾见过的测试数据对模型进行评估，以模拟实际应用中未知的数据，从而评估模型的泛化能力。

以下是样本外检验的简单步骤：

1. 数据划分: 将历史数据集划分为训练集和测试集。通常将最新的数据作为测试集，以模拟实际应用中未知的数据。
2. 模型训练: 使用训练集对机器学习模型进行训练和参数调优，使用与样本内检验相同的方法。
3. 模型评估: 使用测试集对训练好的模型进行评估，计算模型在未知数据上的性能指标。评估指标的选择同样要根据具体的投资策略和目标来确定，可以选择'准确率'、'回报率'等指标来评估模型的性能。

通过样本外检验，可以评估模型在未知数据上的预测能力，并帮助识别模型的过拟合问题。如果模型在测试集上的表现明显不如训练集，则可能存在过拟合问题，需要调整模型或使用更多数据进行训练。