在执行 k 折交叉验证时，对于每一折，我们都有不同的验证集和稍微改变的学习集。假设你从第一折到第二折。你是如何从第二次迭代中继承的第一次折叠中学到的？目前，您似乎只计算准确性，而学习的模型被丢弃并且永远不会保留。
我错过了什么？如果保留这样的模型？它是如何保留的，DQN 与 KNN 的方法有什么不同？
【问题讨论】：
machine-learning @ 中的介绍和注意事项987654322@.
标签： machine-learning cross-validation k-fold
K 折交叉验证 不会在每次迭代中重新训练模型。相反，它训练和评估 K 个不同的独立（可以并行化）模型具有不同的数据集折叠，但 具有相同超参数。这不是为了得到更准确的模型，而是通过计算聚合验证分数来获得更准确（从统计上讲）的验证（即：您可以估计模型准确度的均值和标准差）。
然后，您可以只保留其中一个模型并对其指标使用聚合估计（而不是使用在该模型的特定折叠中计算的那个），或者使用完整的数据集训练（从头开始）一个新模型。在最后一种情况下，您对模型指标的最佳估计仍然是以前的聚合指标，但可以使用新的未使用测试集来估计新指标。那么，你为什么要这样做？嗯，那是因为你通常使用交叉验证和超参数调优。因此，每次调整超参数时，只需使用交叉验证检查聚合的度量估计。但是，当您完成模型调优后，您将使用看不见的测试集计算最终指标。
【讨论】：
让我们考虑一种情况，您想为某些数据找到回归模型。对于模型将使用多少项，您有多种选择。更多的术语可能意味着更好的准确性，但也意味着过度拟合的风险。要选择正确的模型，请使用一些 train data 对其进行训练，并针对通常相互排斥的一些 test data 对其进行测试。
现在，为了更精确地估计模型的准确度，您可以使用 k 折交叉验证，它允许您使用多达 k test datasets。请注意，您使用 k-fold 来评估 在给定一些数据的情况下您的模型有多好，而不是用来训练它。事实上，当训练成本很高（例如深度神经网络）或您的数据集足够大以确保模型准确度足够接近时，几乎不会使用 k-fold。
所以回答你的最后一个问题：不，模型不一定保留。准备好进行实际练习后，您可以使用所有数据对其进行重新训练。
【讨论】：