在 k-Fold 交叉验证中，是否为 Sklearn 中的每个折叠启动了一个新模型？答案

【问题标题】：In k-Fold cross-validation, is a new model initiated for each fold in Sklearn?在 k-Fold 交叉验证中，是否为 Sklearn 中的每个折叠启动了一个新模型？
【发布时间】：2021-10-02 06:03:01
【问题描述】：

我知道如何使用基本实用功能（例如 Sklearn 中的 cross_val_score 或 cross_validate）执行 CV。

但是，我开始使用 XGBoost，所以为了能够使用它的 fit 参数，我必须使用 CV 拆分器的 split 函数进行交叉验证。我的问题是，我是否应该像这样为每个折叠初始化一个新模型：

from sklearn.model_selection import KFold
import xgboost as xgb

cv = KFold(5)

for train_idx, test_idx in cv.split(X, y):
    model = xgb.XGBRegressor()
    model.fit(X[train_idx], y[train_idx], eval_metric='rmsle')
    ....

或者像这样在 for 循环之外初始化一个模型：

cv = KFold(5)

model = xgb.XGBRegressor()

for train_idx, test_idx in cv.split(X, y):
    model.fit(X[train_idx], y[train_idx], eval_metric='rmsle')
    ....

【问题讨论】：

标签： python scikit-learn cross-validation xgboost

【解决方案1】：

我已经收到其他人的答复。事实证明，在每一折中，您应该初始化一个新模型。

【讨论】：