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

Question

根据 scikit-learn 的文档

sklearn.model_selection.cross_val_score（估计器，X，y=None， 组=无，评分=无，cv=无，n_jobs=1，详细=0， fit_params=None, pre_dispatch='2*n_jobs')

X 和 y

X : array-like 适合的数据。例如可以是一个列表，或者一个 数组。

y : 类数组，可选，默认值：None 目标变量 尝试在监督学习的情况下进行预测。

我想知道 [X,y] 是否是 X_train 并且 y_train 或 [X,y] 应该是整个数据集。在 kaggle 的一些笔记本中，有些人使用整个数据集，有些人使用 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拟合/欠拟合数据（它实际上并没有训练模型）。然后，在我看来，你拥有的数据越多，性能越好，所以我会使用整个数据集。

你怎么看？

Answer 1

模型performance 取决于数据的拆分方式，有时模型没有泛化能力。

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。它最大限度地增加了用于训练模型的数据量，因为在训练过程中，模型不仅经过训练，而且还在所有可用数据上进行了测试。

我想知道 [X,y] 是否是 X_train 和 y_train 或 [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拆分为 training 数据和 test 数据。

假设您使用 5 折交叉验证 (cv = 5)。

我们首先将数据集分成五组或折叠。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，在测试集上进行预测并计算感兴趣的度量。

接下来，我们将第二折作为测试集，拟合剩余数据，在测试集上进行预测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 分数称为coefficient of determination.