使用 Cross_Val_score 的原因

Posted 2023-03-12

【中文标题】使用 Cross_Val_score 的原因

【英文标题】：Reason to use Cross_Val_score

【发布时间】：2018-08-08 06:22:09

【问题描述】：

我对使用 cross_val_score 的原因感到困惑。

据我了解，cross_val_score 告诉我我的模型是否 “过拟合”或“欠拟合”。此外，它不会训练我的模型。

由于我只有 1 个特征，它是 tfidf（稀疏矩阵）。我不知道 如果它欠/过拟合怎么办。

Q1：我是不是用错了顺序？我见过'cross->fit'和 'fit->cross' 例子。

Q2：“#print1”中的分数告诉我什么？这是否意味着我必须训练我的模型 k 次（使用相同的训练集），其中 k 是给出最高分数的 k 倍？

我现在的代码：

model1=GaussianNB(priors=None)

score=cross_val_score(model1, X_train.toarray(), y_train,cv=3,scoring='accuracy')

# print1
print (score.mean())

model1.fit(X_train.toarray(),y_train)
predictions1 = model1.predict(X_test.toarray()) #held out data  

# print2
print (classification_report(predictions1,y_test))

【参考方案1】：

Here 是一些关于交叉验证的信息。

顺序（cross 然后fit）对我来说似乎很好。

首先，您评估模型在已知数据上的性能。取所有 CV 分数的平均值很有趣，但最好保留原始分数，看看您的模型是否在某些集合上不起作用。

如果您的模型有效，那么您可以在您的训练集上使用fit 它，在您的测试集上使用predict。

训练同一个模型k 次不会改变任何事情。

【讨论】：

现在，我想评估有助于我调整分类器的参数，对吧？现在我想知道：是什么定义了我的模型从评估中起作用（cross_cal_score）？而且我在 cross_val_score 和 fit 模型中使用相同的训练集，这样可以吗？