Python scikit学习中的部分交叉验证

基本交叉验证：

from sklearn.model_selection import cross_val_score
from sklearn import datasets

X, y = datasets.load_iris(return_X_y=True)
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, X, y, cv=5)

假设有另一个数据

X2

和

y2

，我想将其与

X

和

y

连接起来，但我不想参与交叉验证（在所有5个方面

X2

和

y2

应该是培训的一部分）

是否仍然可以使用scikit中的

cross\u val\u score

来学习这样做

换句话说，在

cross\u val\u score

中，部分数据始终保留在训练集中，是否可以进行部分交叉验证

---

p.S:

X2

和

y2

实际上是合成的补充数据，我想知道它们的存在是否有助于模型表现更好。因此，为了进行公平比较，它们不应该成为测试的一部分。

不可能有

交叉评分
；但是你可以很容易地手动操作-参见我的，并在每个折叠中分别用X2和y2分别附加验证数据
X[val_index]
和
y[val_index]
。谢谢你的回复。使用
KFold
实际上是一个可以接受的解决方案。但由于它是在for循环中执行的，我认为应该有一个更优化的解决方案来避免它。我发现
cross\val\u score
中的cv参数可以传递一个函数。我努力解决了这个问题，但得到了非常好的结果！你不认为这是通过这个问题的好方法吗？用
交叉评分法是不行的；但是你可以很容易地手动操作-参见我的，并在每个折叠中分别用X2和y2分别附加验证数据
X[val_index]
和
y[val_index]
。谢谢你的回复。使用
KFold
实际上是一个可以接受的解决方案。但由于它是在for循环中执行的，我认为应该有一个更优化的解决方案来避免它。我发现
cross\val\u score
中的cv参数可以传递一个函数。我努力解决了这个问题，但得到了非常好的结果！你不认为这是解决这个问题的好办法吗？