交叉验证：来自scikit-learn参数的cross_val_score函数

Question

根据scikit-learn的DOC

sklearn.model_selection.cross_val_score（estimator，X，y = None，groups = None，scoring = None，cv = None，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。 可以是例如列表或数组。

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

我想知道[X，y]是X_train，y_train还是[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。

你怎么看？

Answer 1

模型performance取决于数据分割的方式，有时模型没有概括的能力。

这就是我们需要交叉验证的原因。

Cross-validation是评估模型的关键步骤。 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，而且还在所有可用数据上进行测试。

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

[X, y]应该是整个数据集，因为内部交叉验证将数据分成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输出测试集，适合剩余数据，在测试集上预测并计算感兴趣的度量。

默认情况下，scikit-learn的cross_val_score()函数使用R^2得分作为回归的选择度量。

R^2得分称为确定系数。