scikit-learn中的`fit`功能如何进行验证？

Question

将其应用于MLPClassifier时，我无法使用fit函数。 我仔细阅读了Scikit-Learn的文档，但是无法确定验证的工作方式。

是交叉验证还是训练数据与验证数据之间存在分歧？

提前致谢。

Answer 1

fit函数本身不包括交叉验证，也不应用训练分段。 幸运的是，您可以自己执行此操作。

火车测试拆分：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33) // test set size is 0.33 
clf = MLPClassifier()
clf.fit(X_train, y_train) 
clf.predict(X_test, y_test) // predict on test set 

K折交叉验证

from sklearn.model_selection import KFold
kf = KFold(n_splits=2)
kf.get_n_splits(X)
clf = MLPClassifier()
for train_index, test_index in kf.split(X):
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]

   clf.fit(X_train, y_train) 
   clf.predict(X_test, y_test) // predict on test set 

要进行交叉验证，可以使用多种功能，您可以在此处阅读更多信息。 这里说明的k折只是一个例子。

编辑：

感谢您提供此答案，但基本上拟合函数如何具体起作用？ 它只是根据给定的数据（即训练集）对网络进行训练，直到达到max_iter为止。

我假设您正在使用MLPClassifier的默认配置。 在这种情况下，fit函数尝试基于adam优化器进行优化。 实际上，在这种情况下，网络会进行训练，直到达到max_iter为止。

此外，在K折交叉验证中，只要循环通过还是从头开始重新启动，模型是否会得到改善？

实际上，交叉验证并不用于改善网络性能，它实际上是一种用于测试算法在不同数据上的综合程度的方法。 对于k折，训练和测试k个独立的分类器。