Scikit-learn：对训练数据进行交叉验证，然后将模型拟合到测试数据上

Question

我希望对训练数据执行n折交叉验证方法，然后在测试子集上使用优化参数对模型进行拟合。

from sklearn.model_selection import train_test_split
from sklearn import datasets
from sklearn import linear_model
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import TimeSeriesSplit

iris = datasets.load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, 
                                                        random_state=1234)

lm = linear_model.LinearRegression() 
cv = TimeSeriesSplit(n_splits=10).split(y_train) # [Question: 1]
cv_score = cross_val_score(lm, X_train, y_train, cv=cv, scoring="r2")

我的问题是：

• [问题：1]假设这是逻辑回归，是否正确？如果我要考虑类的不平等（检查代码的[[第12行）？
• [问题：2]
如何在[[X_test数据上根据cross_val_score拟合模型以预测y_test数据？

Answer 1

[问题：1]假设这是逻辑回归，是否正确？如果我要考虑类的不平等（检查代码的[[第12行）？

是

[问题：2]

如何在[[X_test数据上根据cross_val_score拟合模型以预测

y_test数据？

您将需要GridSearch。然后可以检索最佳模型并将其用于测试集。示例：

from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV
iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svc = svm.SVC(gamma="scale")
clf = GridSearchCV(svc, parameters, cv=5)
clf.fit(iris.data, iris.target)

y_test = clf.best_estimator_.predict(X_test)