Python 评估多种机器学习模型的正确方法

我正在用Python为我的机器学习项目编写一个回归模块，我想评估多个模型。假设这是一个运行在多个文件夹中的多个图像上的图像识别模型

 - folder-1
   - img-1
   - img-2
   - img-3
 - folder-2
   - img-1
   ......

我这样写有关系吗

for eachFolder in FolderList:
    for eachImage in ImageList:
        for eachModel in ModelList:
            evaluate(predicted, GroundTruth)

model_1 : score1
model_2 : score2
.
.
.

或

我到底想在哪里得到这样的输出

for eachFolder in FolderList:
    for eachImage in ImageList:
        for eachModel in ModelList:
            evaluate(predicted, GroundTruth)

model_1 : score1
model_2 : score2
.
.
.

哪一个更好

运行时复杂性

正确性

---

或者根本没关系，反正我们可以写进去？

这可能取决于外部。如果加载每个模型需要很长时间，则希望尽可能不频繁地加载，因此希望模型循环在外部。如果每个图像都非常大，则希望尽可能不频繁地加载这些图像，因此希望图像循环位于模型循环之外。

这可能取决于外部。如果加载每个模型需要很长时间，则希望尽可能不频繁地加载，因此希望模型循环在外部。如果每个图像都非常大，您希望尽可能不频繁地加载这些图像，因此希望图像循环位于模型循环之外。

它们都将评估每个模型。但是你应该选第二个。第二个将采用一个模型，并使用所有文件夹中的所有图像评估该模型。这比为不同的图像反复加载模型要好。而且，使用第一个代码段评估所有模型也将更加困难

他们都将评估每个模型。但是你应该选第二个。第二个将采用一个模型，并使用所有文件夹中的所有图像评估该模型。这比为不同的图像反复加载模型要好。而且，使用第一个代码段评估所有模型也将更加困难

模型可以在内存中加载一次，就这样..在任何地方都可以使用它们。我认为这里不应该考虑模型加载。如果我是，请纠正我wrong@x0v我不能纠正你，因为我不知道你的模型是什么，也不知道你是如何加载它们的。但是，如果您所说的是正确的，请确保图像加载在外部（因此，您的第一个示例将更快。速度有多快，我不能说，因为我不知道您在每个图像上花费了多少时间-如果处理时间支配加载时间，则没有区别）整个回归过程的内存中的模型加载应该与我的模型是什么以及我如何加载它们无关，因为模型可以在内存中加载一次，就是这样..在任何地方都可以使用它们。我认为这里不应该考虑模型加载。如果我是，请纠正我wrong@x0v我不能纠正你，因为我不知道你的模型是什么，也不知道你是如何加载它们的。但是，如果您所说的是正确的，请确保图像加载在外部（因此，您的第一个示例将更快。速度有多快，我不能说，因为我不知道您在每个图像上花费了多少时间-如果处理时间支配加载时间，则没有区别）对于整个回归过程，内存中的模型加载应该与我的模型是什么以及如何加载它们无关