Python Scikit学习中的交叉验证

我一直在使用

为了交叉验证逻辑回归分类器。我得到的结果是：

[ 0.78571429  0.64285714  0.85714286  0.71428571  
0.78571429  0.64285714    0.84615385  0.53846154  
0.76923077  0.66666667]

我的主要问题是如何找到使分类器得分最大并产生0.857的集合/折叠

接下来的问题：用这套训练分类器是一个好的实践吗

先谢谢你

我是否以及如何找到使分类器得分最大化的集合/折叠

从的文档中，您可以看到它在特定的

cv

对象上运行。（如果您没有明确给出，则在某些情况下会给出，在其他情况下会给出其他内容-请参阅此处的文档。）

您可以迭代此对象（或相同的对象）以找到确切的训练/测试索引。例如：

for tr, te in KFold(10000, 3):
    # tr, te in each iteration correspond to those which gave you the scores you saw.

---

使用此集合训练分类器是否是一个好的实践

绝对不是

交叉验证的唯一合法用途是评估总体性能、在不同模型之间进行选择或配置模型参数

---

一旦您致力于一个模型，您应该在整个培训集中对其进行培训。在恰好给出最佳分数的子集上对其进行训练是完全错误的。

您这里似乎有很多问题。我建议你挑一个最重要的，然后问这个问题。其他问题可能会意外得到回答。：）以防万一，“逻辑回归”本身并不是一个分类器。良好实践建议+1。我只想补充一点，虽然在不同的领域不同，但通常的“良好实践”是在训练集上使用交叉验证进行参数估计，在此训练集上重新训练，然后在看不见的测试集上评估模型。显然，这取决于一个人拥有多少数据！