python 交叉验证后获取模型_Scikit-learn中的输出交叉验证模型（aka估计器）是什么？...

这些模型正在做不同的事情 . SVC在您的完整特征空间上训练模型，并在整个特征空间上进行预测 . RFECV使用完整的功能空间并调整所选功能的数量 . 最终模型及其所做的任何预测都基于您的特征的子集(未消除的特征) .

您可以检查RFECV对象以获取有关所选功能或执行各种功能子集的更多信息(请参阅RFECV documentation， . support_，.grid_scores_和.ranking_都特别相关，因为This example) .

问题的第二部分是关于数据分区 . 通常，在构建新模型时，应将数据分为三组：

训练数据用于训练模型(显然)

验证数据用于调整模型(不用于测试模型)

测试数据用于实际测试模型

验证和测试之间的区别可能有点模糊，但非常重要 . 以你的例子为例(并且假设你当时没有工作，你可以检查模型并使用验证集进行一些预测 . 这可以让你了解哪些功能正常工作，哪些功能没有，另一些功能位于其他位置 . 关于模型(例如，使用什么样的内核以及该内核上的任何参数) . 最终决定使用原始特征的某个子集，以及3阶的多项式内核 .

大！现在你有了一个工作模型 . 该模型对看不见的数据有多好？如果你没有测试装置，你永远不会知道 . 您所知道的就是如何让它在验证集上工作 .

现在在您的实际示例中，RFECV使用交叉验证来进行特征选择，这是处理训练验证分离的另一种方法，它可以挤出更多数据(如果您有少量样本并且获得更多是昂贵/不可能的) .

通常，交叉验证以平均值处理(例如，随机k倍的平均性能)，练习的目标是不断调整模型直到您对平均性能感到满意为止 . 只有这样你才能测试它(在测试集上) .

编辑：修正了一个链接