您是否在交叉验证（gridsearchcv w/KFold）后预测测试数据以及如何预测？
Do you predict on testdata after crossvalidation (gridsearchcv w/ KFold) and how?
背景：
我在一个使用 scikit-learn 的关于 mulit-class classification 问题的项目上工作。
我的数据集包含 40 个测量对象 (MO) 中每一个的 112 个特征向量。总共 4480 个特征向量，平均分为 4 classes，和 533 个特征。
（有关 the data set 的更多信息，请点击此处）
方法：
拆分数据集（train:34 MO, test:6 MO）并减少特征数量后，主要通过 PCA，我使用 KFold 对不同模型使用 gridsearchcv 调整超参数以进行比较。
问题：
- 评估时，是否需要拆分训练数据和测试数据？我的教授说不，交叉验证本身就已经过时了。这违背了我对机器学习最佳实践和 sklearn 交叉验证 documentation 的基本理解。
- 当 predicting/evaluating 时，我是否必须考虑测试集中每个 MO 的特征 space？如果是，我该怎么做？例如。 运行 对测试数据进行交叉验证式预测，或者只是对整个测试数据进行预测。
@4.Pi.n 的评论解决了我的问题：
- It's exactly as your professor says,
- The most common way is to storing k-models, then averaging there predictions, ex.
y_pred = (pred_1 + pred_2 + ... + pred_k) / k, or
you might use sklearn.model_selection.cross_val_predict
背景：
我在一个使用 scikit-learn 的关于 mulit-class classification 问题的项目上工作。 我的数据集包含 40 个测量对象 (MO) 中每一个的 112 个特征向量。总共 4480 个特征向量，平均分为 4 classes，和 533 个特征。 （有关 the data set 的更多信息，请点击此处）
方法：
拆分数据集（train:34 MO, test:6 MO）并减少特征数量后，主要通过 PCA，我使用 KFold 对不同模型使用 gridsearchcv 调整超参数以进行比较。
问题：
- 评估时，是否需要拆分训练数据和测试数据？我的教授说不，交叉验证本身就已经过时了。这违背了我对机器学习最佳实践和 sklearn 交叉验证 documentation 的基本理解。
- 当 predicting/evaluating 时，我是否必须考虑测试集中每个 MO 的特征 space？如果是，我该怎么做？例如。 运行 对测试数据进行交叉验证式预测，或者只是对整个测试数据进行预测。
@4.Pi.n 的评论解决了我的问题：
- It's exactly as your professor says,
- The most common way is to storing k-models, then averaging there predictions, ex.
y_pred = (pred_1 + pred_2 + ... + pred_k) / k, or you might use sklearn.model_selection.cross_val_predict