1、划分训练集和测试集的意义?
回答:训练集用于构建和训练模型,可评估模型的拟合效果;测试集用于评估模型的泛化能力。通过比较训练集和测试集的score,可以判断模型是否存在过拟合或欠拟合问题。
2、交叉验证是什么?
回答:交叉验证(cross-validation)是一种评估给定算法在特定数据集上泛化性能的统计学方法,它有效减少了单次划分训练集和测试集方法的随机性对模型的影响,更加稳定、全面。交叉验证是参数调优的重要手段之一。
3、交叉验证的优缺点?
回答:①优点包括:其一,提供模型对训练集选择的敏感性信息;其二,对数据的使用更加高效,更多的数据通常可以得到更为精确的模型。②缺点是增加了计算成本。
4、交叉验证中常用的划分策略有哪些?
回答:划分策略包括K折交叉验证(KFold)、留一法交叉验证(leave-one-out)、打乱划分交叉验证(shuffle-split cross-validation)、分组交叉验证(GroupKFold)等等。在cross_val_score的参数cv中设置划分策略。
5、cross_val_score
from sklearn.model_selection import cross