好吧，我试图了解在算法中如何以及在哪个点应用 Kfold CV 和 GridSearchCV。此外，如果我理解正确 GridSearchCV 用于超参数调整，即参数的哪些值将给出最佳结果，并且 Kfold CV 用于更好地泛化，以便我们在不同的折叠上进行训练，因此如果数据是有序的，则减少偏差以某种特定的方式，因此增加了泛化性。现在的问题是，GridSearchCV 是否也使用 CV 参数进行交叉验证。那么为什么我们需要 Kfold CV，如果我们需要，是否在 GridSearchCV 之前进行呢？该过程的一点概述将非常有帮助。
问问题
2308 次
2 回答
3
GridSearchCV是比 更高级别的构造KFold。前者使用后者（或其他类似的）。
KFold是一个相对较低级别的构造，它为您提供一系列训练/测试索引。您可以使用这些索引来做几件事，包括查找模型的 OOB 性能和/或调整超参数（基本上是根据 OOB 性能以某种方式搜索超参数）。
GridSearchCV是一个更高级别的构造，它采用类似KFold（在其cv参数中）的 CV 引擎。它使用 CV 引擎搜索超参数（在这种情况下，使用网格搜索参数）。
于 2018-03-19T07:13:34.800 回答
1
网格搜索用于选择预测算法的超参数的最佳组合（调整估计器的超参数），而 KFold 提供训练/测试索引以分割训练/测试集中的数据。它将数据集拆分为 k 个连续折叠（默认情况下不打乱）。
然后将每个折叠用作一次验证，而剩余的 k - 1 个折叠形成训练集。它用于更好地衡量预测准确性（我们可以将其用作模型拟合优度的代理）。
于 2018-03-19T07:29:42.703 回答