使用交叉验证确定的模型验证外部数据
Verifying external data using model determined using cross validation
我在Python学习数据挖掘。我正在尝试交叉验证。
import numpy as np
from sklearn.cross_validation import KFold
X = np.array([0.1, 0.2, 0.3, 0.4])
Y = np.array([False,True,True,False])
kf=KFold(4,n_folds=2)
for train_index, test_index in kf:
X_train, X_test = X[train_index], X[test_index]
Y_train, Y_test = Y[train_index], Y[test_index]
现在我有了一个新列表。 X=[0.25,0.33,0.21,0.101];Y=[True, False, False, True]
如何根据使用上述代码确定的模型验证结果?
KFold
函数与模型确定无关。
它只是将数据和标签拆分成折叠。
如果加入循环:
print(X_train, X_test)
print(Y_train, Y_test)
您可以看到每次迭代的折叠:
# Iteration 1
# Train Test
[ 0.3 0.4] [ 0.1 0.2]
[ True False] [False True]
# Iteration 2
# Train Test
[ 0.1 0.2] [ 0.3 0.4]
[False True] [ True False]
我在Python学习数据挖掘。我正在尝试交叉验证。
import numpy as np
from sklearn.cross_validation import KFold
X = np.array([0.1, 0.2, 0.3, 0.4])
Y = np.array([False,True,True,False])
kf=KFold(4,n_folds=2)
for train_index, test_index in kf:
X_train, X_test = X[train_index], X[test_index]
Y_train, Y_test = Y[train_index], Y[test_index]
现在我有了一个新列表。 X=[0.25,0.33,0.21,0.101];Y=[True, False, False, True]
如何根据使用上述代码确定的模型验证结果?
KFold
函数与模型确定无关。
它只是将数据和标签拆分成折叠。
如果加入循环:
print(X_train, X_test)
print(Y_train, Y_test)
您可以看到每次迭代的折叠:
# Iteration 1
# Train Test
[ 0.3 0.4] [ 0.1 0.2]
[ True False] [False True]
# Iteration 2
# Train Test
[ 0.1 0.2] [ 0.3 0.4]
[False True] [ True False]