为什么我们在 K 折交叉验证后需要 .fit

【问题标题】：Why we need .fit after KFold cross validation为什么我们在 K 折交叉验证后需要 .fit
【发布时间】：2020-05-05 13:40:09
【问题描述】：

如果交叉验证在训练数据上训练我们的模型 k 次，那么我们为什么需要 fit 方法。

当我使用下面的代码时

from sklearn.model_selection import cross_val_score
cross_val_score(model, train_s1, target_s1, cv=5 , scoring='neg_mean_absolute_error')

我需要使用 .fit 才能使用 .predict。但为什么？当交叉验证已经在训练数据上训练我的模型时。

【问题讨论】：

标签： machine-learning cross-validation k-fold

【解决方案1】：

在交叉验证中，您可以处理折叠（K 折叠），可能像 3、5、10 等，其中数据根据提到的折叠分成不同的部分。 CV，然后在每个折叠上执行训练，并根据传递给 CV 的不同特征暴露准确性。现在您对您的数据有了一个概念，并且您还知道哪个功能最适合处理您的数据。在此过程之后，您开始对实时数据进行实际的模型训练和预测（这就是您再次调用 fit 的原因）。

简历有很多好处，您可以浏览这些好处以获得深入的信息。

【讨论】：