交叉验证：来自scikit-learn arguments

Question

根据scikit-learn的DOC

  

sklearn.model_selection.cross_val_score（估算器，X，y =无，   groups = None，得分=无，cv =无，n_jobs = 1，verbose = 0，   fit_params = None，pre_dispatch ='2 * n_jobs'）

X和y

  

X：array-like要适合的数据。例如，可以是列表，也可以是   阵列。

     

y：array-like，optional，default：None目标变量to   在监督学习的情况下尝试预测。

我想知道[X，y]是X_train还是y_train或[X，y]应该是整个数据集。在一些来自kaggle的笔记本中，有些人使用整个数据集，还有一些人使用X_train和y_train。

据我所知，交叉验证只是评估模型并显示您是否过度匹配/不适合您的数据（它实际上并不训练模型）。然后，在我看来，你拥有的数据越多，性能就越好，所以我会使用整个数据集。

您怎么看？

Answer 1

模型performance取决于数据的分割方式，有时模型无法进行推广。

这就是我们需要交叉验证的原因。

Cross-validation是评估模型的重要一步。它最大化了用于训练模型的数据量，因为在训练过程中，模型不仅经过培训，而且还对所有可用数据进行了测试。

  

我想知道[X，y]是X_train和y_train还是[X，y]应该是   整个数据集。

[X, y]应该是整个数据集，因为内部交叉验证会将数据拆分为training数据和test数据。

假设您使用5次交叉验证（cv = 5）。

我们首先将数据集拆分为五组或折叠。然后我们将第一个折叠作为测试集，在剩余的四个折叠上拟合模型，在测试集上预测并计算感兴趣的度量。

接下来，我们将第二个折叠作为测试集，适用于剩余数据，预测测试集并计算感兴趣的指标。

默认情况下，scikit-learn的cross_val_score()函数使用R^2分数作为回归选择的指标。

R^2得分称为coefficient of determination.