Divisez-le en 10 parties égales et effectuez 10 cycles. À chaque fois, sélectionnez 1 partie comme ensemble de test et 9 parties comme ensemble d'entraînement
De manière générale, lors d'une validation croisée, tout le monde définira k sur 5 ou 10. C'est-à-dire que les données sont (aléatoirement) divisées en k parties, dont les parties k-1 sont utilisées pour la formation et la partie 1 sont utilisés pour les tests. Mais ceci dit, vous devez faire une validation croisée, donc cela ne devrait pas être rapide.
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
Divisez-le en 10 parties égales et effectuez 10 cycles. À chaque fois, sélectionnez 1 partie comme ensemble de test et 9 parties comme ensemble d'entraînement
De manière générale, lors d'une validation croisée, tout le monde définira k sur 5 ou 10. C'est-à-dire que les données sont (aléatoirement) divisées en
kparties, dont les partiesk-1sont utilisées pour la formation et la partie1sont utilisés pour les tests. Mais ceci dit, vous devez faire une validation croisée, donc cela ne devrait pas être rapide.可以用3.1. Validation croisée : évaluer les performances de l'estimateur
>>> à partir de sklearn.model_selection importer cross_val_score >>> clf = svm.SVC(noyau='linéaire', C=1) >>> scores = cross_val_score(clf, iris.data, iris.target, cv=5) >>> partitions array([ 0.96..., 1. ..., 0.96..., 0.96..., 1. ])