因此，我获得了HW分配的Xtrain，ytrain，Xtest，ytest，Xvalid，yvalid数据。该作业是针对随机森林的，但我认为我的问题可以应用于任何/大多数模型。
因此，我的理解是，您使用Xtrain和ytrain来拟合模型，例如（clf.fit（Xtrain，ytrain）），这将创建一个模型，该模型可以为您提供训练数据的分数和预测
因此，当我继续测试和有效数据集时，我仅使用ytest和yvalid来查看它们如何预测和评分。我的教授为我们提供了三个X数据集（Xtrain，Xtest，Xvalid），但对我来说，我只需要Xtrain来首先训练模型，然后在不同的y数据集上测试模型。
如果我为每对X做y.fit（），我将根据完全不同的数据创建/拟合三个不同的模型，因此从我的角度来看，这些模型不可比。
我错了吗？
训练步骤：
假设您正在使用sklearn，则clf.fit(Xtrain, ytrain)方法使您可以训练模型（clf）以最适合训练数据Xtrain和标签ytrain。如您所说，您可以在此阶段计算分数以评估模型的训练数据。
#train step
clf = your_classifier
clf.fit(Xtrain, ytrain)
测试步骤：
然后，您必须使用测试数据Xtest来提供先前训练的模型，以便生成新标签ypred。
#test step
ypred = clf.predict(Xtest)
最后，您必须将这些生成的标签ypred与真实标签ytest进行比较，以使用混淆矩阵，指标等工具对未知数据（训练期间未使用的数据）提供模型性能的可靠评估。
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
test_cm = confusion_matrix(ytest,ypred)
test_report = classification_report(ytest,ypred)
test_accuracy = accuracy_score(ytest, ypred)