交叉驗證：來自scikit-learn參數的cross_val_score函數

Question

根據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要適合的數據。 可以是例如列表或數組。

y：array-like，optional，default：None在監督學習的情況下嘗試預測的目標變量。

我想知道[X，y]是X_train，y_train還是[X，y]應該是整個數據集。 在一些來自kaggle的筆記本中，有些人使用整個數據集，還有一些人使用X_train和y_train。

據我所知，交叉驗證只是評估模型並顯示您是否過度匹配/不適合您的數據（它實際上並不訓練模型）。 然后，在我看來，你擁有的數據越多，性能就越好，所以我會使用整個數據集。

你怎么看？

Answer 1

模型performance取決於數據分割的方式，有時模型沒有概括的能力。

這就是我們需要交叉驗證的原因。

Cross-validation是評估模型的關鍵步驟。 它最大化了用於訓練模型的數據量，因為在訓練過程中，模型不僅經過培訓，而且還在所有可用數據上進行測試。

我想知道[X，y]是X_train，y_train還是[X，y]應該是整個數據集。

[X, y]應該是整個數據集，因為內部交叉驗證將數據分成training數據和test數據。

假設您使用5次交叉驗證（cv = 5）。

我們首先將數據集拆分為五組或折疊。 然后我們將第一個折疊作為測試集，在剩余的四個折疊上擬合模型，在測試集上預測並計算感興趣的度量。

接下來，我們將第二個折疊作為輸出測試集，適合剩余數據，在測試集上預測並計算感興趣的度量。

默認情況下，scikit-learn的cross_val_score()函數使用R^2得分作為回歸的選擇度量。

R^2得分稱為確定系數。