Python 如何执行10次随机拆分以确保机器学习结果的一致性

我刚刚读了一篇关于图像流行度预测的论文。作者将数据分成两部分，一部分用于培训，另一部分用于测试。在训练集上使用5倍交叉验证来寻找最佳参数。实验结果是预测受欢迎程度和实际受欢迎程度之间的等级相关性

为了确保结果的一致性，作者对10次随机拆分的性能进行了平均。我对10次随机拆分感到困惑

• 这是否意味着当他得到最佳参数和模型时，模型被用于测试集，测试集被分成10次10个部分，9次用于训练，1次用于测试
• 在这个过程中，模型又训练了吗
在没有阅读论文（请提供）的情况下，他似乎将数据随机分为两部分，一部分进行培训，另一部分进行验证，并记录性能结果。他这样做了10次，之后可能会平均他的表现结果。
仔细阅读这篇文章会有所帮助。
如果不看这篇文章，我无法谈论作者所做的事情，但交叉验证的思想是不在测试数据集上进行拆分，而是在对整个数据集进行K次拆分后，实际训练并丢弃模型，使用每个子集进行一次测试
假设你在这方面还可以，你的措辞让我觉得，在选择了最佳参数后，这个人再次开始从第1步的50-50分割开始，这次没有改变参数，实际上得到了一个新的列车和测试集。他一共做了10次
如果是这样的话，这基本上意味着他在对整个集合进行了9次50-50随机拆分后，又对同一模型架构进行了9次训练，并在10个分数中平均出他的“性能”指标
编辑：
3.2评估对于上述每个设置，我们将数据随机分成两半，一部分用于培训，另一部分用于测试 其他测试。我们将10次随机拆分的性能平均为 确保结果的一致性；总的来说，我们发现 结果与低标准偏差高度一致 穿过裂缝
好的，是的，作者确实“重复”了他的作品10次，每次都随机分成50-50份
因此，它的本质是，在训练集中的训练过程中发生了5次交叉验证。剩下的50%用作评估。不要把它想象成一个典型的测试集，而是一个“保持”集。因为交叉验证意味着50%的数据用于整个过程中的培训和测试

---

在这一点上，除了超参数和对应的“保留”50%数据的结果之外，您将放弃所有工作。现在，再次从整个数据集开始，进行不同但随机的50%分割。这一次，使用相同的超参数，在新的训练集上再次训练，并在新的“保持”集上测试此结果。然后重复。
谢谢您的回答！我知道交叉验证应该用于选择最佳参数或模型。但他在训练集上使用了5倍交叉验证来获得最佳参数。我不知道他使用的是哪一个数据集，哪一个数据集是10个随机分割。这是论文的链接（）@ZhangQing更新了编辑，最初的预感是正确的。让我知道这是否合情合理，我几乎能理解。再问一个问题就是为了确保我完全理解你的解释。工作从50-50分割开始，在训练集上使用5倍交叉验证，并选择最佳参数。在测试集上使用该模型并得到结果。这个过程又重复了9次，数据集被50-50分割，一部分用于训练，另一部分用于测试，但5次交叉验证只进行了一次，并且参数在左侧的9次实验中不会改变。非常感谢：D这是我见过的最详细的答案！谢谢！链接是：people.csail.mit.edu/khosla/papers/www2014_khosla.pdf