我是给整个数据集的cross\u val_score（）还是只给trainingset？

Question

因为课程的文档不是很清楚。我不明白我给它什么价值。在

cross_val_score(estimator, X, y=None)

这是我的代码：

clf = LinearSVC(random_state=seed, **params)
cvscore = cross_val_score(clf, features, labels)

我不确定这是否正确，或者我是否需要给出X峎u train和y峎train而不是特性和标签。在

谢谢

Answer 1

将测试集和训练集分开总是一个好主意，即使在使用交叉评分时也是如此。这背后的原因是知识外泄。这基本上意味着，当您同时使用训练集和测试集时，您正在将测试集的信息泄漏到您的模型中，从而使您的模型有偏差，从而导致错误的预测。在

以下是关于同一问题的blog post的详细信息。在

参考文献：

• Reddit post on cross-validation
• Cross_val_Score example showing correct way of using it
• A similar question on stats.stackexchange

Answer 2

我想你指的是以下文件： http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_score.html

交叉验证的目的是确保模型在一个实例中没有特别高的方差，而在另一个实例中却没有很好的拟合。这通常用于模型验证中。记住这一点，你应该通过训练集（X_train，y_train），看看你的模型表现如何。在

你的问题集中在： “是否可以将整个数据集传入交叉验证？”在

答案是，是的。这是有条件的，基于您是否满意ML输出。例如，我有以下内容： 我用了一个随机模型和我的快乐模型。在

我已经准备好了。 一旦我去掉这个保留集，给我的模型一个完整的数据集，我们会得到一个更高分数的曲线图，因为我给了我的模型更多的信息（同样，你的简历分数也会更高）。在

调用该方法的示例如下： 概率得分=交叉得分（模型、X车、y车、cv=5）

一般情况下，首选5倍交叉验证。 如果您希望达到5倍以上-请注意，随着“n”倍的增加，所需的计算资源数量也将增加，并且需要更长的时间来处理。在