K-fold交叉验证是评估机器学习或深度学习模型的一种很好的技术。
让我们快速概述k-fold交叉验证的工作原理:
- 机器学习数据集被shuffled
- 将机器学习数据集拆分为k(通常为k = 10)个集合或folds
- 执行此K次:
- *选择1组作为测试集,其余的作为训练集
- *使机器学习模型拟合训练组
- *评估测试组上的机器学习模型
- *保留评估分数
- 计算所有K个评估分数的平均值
Scikit learn使得在我们的机器学习模型上应用k-fold交叉验证变得非常简单。如果我们可以使用scikit-learn函数将其应用到使用keras构建的深度学习模型中会怎么样呢?
让我们看看我们如何在scikit-learn的帮助下评估我们的深度学习模型:
- 导入在keras中构建我们的深度神经网络所需的Python库:
- 创建一个描述机器学习模型架构的函数: