交叉拟合

交叉拟合是一种用于消除过拟合偏差的样本分割技术，基本流程是将数据随机分为K个折，对于每一折使用其余K-1折的数据训练模型，再在保留折上计算预测或估计量。

在主数据生成机制上使用随机森林时，样本内拟合倾向得分的估计量覆盖率跌至0.12–0.48，严重欠覆盖；而两个nuisance都做交叉拟合后，覆盖率回升到0.91–1.00。

当经验过程条件无法被严格论证时，应该对两个nuisance同时做交叉拟合。