Keras “每个”后的模型拟合；“折叠”；在洛夫？手动多标签LOOCV

我想知道，在实现手工遗漏交叉验证时，是否存在问题（可能的数据泄漏？），在每次测试后，模型是否适合每次迭代？看起来，如果模型在除“X”之外的所有数据上进行训练，并且在“X”上进行测试之后，模型在除“Y”之外的所有数据上进行训练，并在“Y”上进行测试，那么它在第一次迭代中看到了“Y”。这实际上是一个问题吗？我手工实现的LOOCV是否正确

谢谢你的时间

i=0
j=0
对于范围（0,41）内的i：
X_copy=X_orig[（i）：（i+1）]#从numpy数组中切片第i个元素
y_copy=y_orig[（i）：（i+1）]
X_模型=X_原点
y_模型=y_原点
X_模型=np.删除（X_模型，i，轴=0）
y_模型=np.delete（y_模型，i，轴=0）
model.fit（X_模型，y_模型，epochs=115，batch_size=28，verbose=0）#verbose=0删除学习信息
预测=模型预测（X_副本）
预测[预测>=0.5]=1
预测[预测你为什么不用这个

from sklearn.model_selection import LeaveOneOut

loo = LeaveOneOut()
model =...

test_fold_predictions = []
for train_index, test_index in loo.split(X):
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]
   model.fit(X_train, y_train)
   test_fold_predictions.append(model.predict(X_test))

编辑

谢谢你的建议。我确实试过了，但它要么不适用于多标签问题，要么我不知道如何使它起作用。我应该提到这是一个多标签问题。你能发布你的
y
？这种格式有41个样本。[[0.1.0.0.1.][0.1.0.0.1.][1.1.0.0.0.][0.1.1.0.0.][0.1.1.][0.0.1.0.0.]]一般来说这应该不是问题。你使用什么模型？它是一个前馈NN:model=Sequential（）模型（y_orig.shape[1]，activation='sigmoid'））sgd=sgd（lr=0.0001，decation=1e-6，momentum=0.9，nesterov=True）模型。编译（loss='binary'u crossentropy'，optimizer='sgd'，metrics=['accurity'）
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD

model = Sequential()
model.add(Dense(5000, activation='relu', input_dim=X_train.shape[1]))
model.add(Dropout(0.1))
model.add(Dense(600, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(y_train.shape[1], activation='sigmoid'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy',
              optimizer=sgd)

from sklearn.model_selection import LeaveOneOut

loo = LeaveOneOut()
test_fold_predictions = []
for train_index, test_index in loo.split(X):
   X_train, X_test = X[train_index], X[test_index]
   y_train, y_test = y[train_index], y[test_index]
   model.fit(X_train, y_train, epochs=5, batch_size=2000)
   test_fold_predictions.append(model.predict(X_test))