GridSearchCV是否执行交叉验证？
我目前正在研究一个问题，该问题将在同一数据集上比较三种不同的机器学习算法的性能。我将数据集分为70/30训练/测试集，然后使用GridSearchCV和进行网格搜索以找到每种算法的最佳参数X_train, y_train。
第一个问题，我是应该对训练集执行网格搜索，还是应该对整个数据集进行网格搜索？
第二个问题，我知道GridSearchCV在其实现中使用K折，如果我X_train, y_train对GridSearchCV中比较的所有三种算法都使用了交叉验证，是否意味着我执行了交叉验证？
任何答案将不胜感激，谢谢。
问题答案：
scikit中所有以名称结尾的估计器都将CV执行交叉验证。但是您需要保留一个单独的测试集来衡量性能。
因此，您需要拆分整个数据以进行训练和测试。暂时忘记此测试数据。
然后将此火车数据仅传递给网格搜索。GridSearch会将火车数据进一步拆分为火车并进行测试，以调整传递给它的超参数。最后，使用找到的最佳参数将模型拟合到整个火车数据中。
现在，您需要在开始时保留的测试数据上测试此模型。这将为您提供近乎真实的模型性能。
如果将整个数据用于GridSearchCV，则测试数据会泄漏到参数调整中，因此最终模型可能无法在较新的看不见的数据上表现不佳。
-
问题内容： 是否可以在没有交叉验证的情况下使用GridSearchCV？我正在尝试通过网格搜索优化KMeans聚类中的聚类数量，因此我不需要或想要交叉验证。 该文档也使我感到困惑，因为在fit（）方法下，它有一个用于非监督学习的选项（例如，将None用于非监督学习）。但是，如果您想进行无监督学习，则需要在没有交叉验证的情况下进行学习，而且似乎没有摆脱交叉验证的选择。 问题答案： 经过大量搜索，我能
-
交叉验证 那么什么时候才需要交叉验证呢？交叉验证用在数据不是很充足的时候。比如在我日常项目里面，对于普通适中问题，如果数据样本量小于一万条，我们就会采用交叉验证来训练优化选择模型。如果样本大于一万条的话，我们一般随机的把数据分成三份，一份为训练集（Training Set），一份为验证集（Validation Set），最后一份为测试集（Test Set）。用训练集来训练模型，用验证集来评估模型预
-
问题内容： 我正在尝试进行交叉验证，并且遇到一个错误：“找到的输入变量样本数量不一致：[18，1]” 我在熊猫数据框（df）中使用不同的列作为要素，最后一列作为标签。这源自UC Irvine的机器学习存储库。导入我过去使用过的交叉验证程序包时，我收到了一个错误消息，说明它可能已贬值。我将运行决策树，SVM和K-NN。 我的代码是这样的： 任何帮助将是巨大的！ 问题答案： 不推荐使用该模块。新模块已
-
我正在尝试用Python实现k-fold交叉验证算法。我知道SKLearn提供了一个实现，但是...这是我现在的代码。 learner参数是来自SKlearn库的分类器，k是折叠数，examples是CountVectorizer（再次是SKlearn）产生的稀疏矩阵，它是单词包的表示。例如： 我假设在某个地方有一些逻辑错误，因为训练集上的分数是95%（正如预期的那样），而测试测试上的分数实际上是
-
我正在训练一个数据集，然后在其他数据集上测试它。