嵌套交叉验证：不确定我是否理解这段代码，以及它是否真的在最后展示了最好的模型

如何解决嵌套交叉验证：不确定我是否理解这段代码，以及它是否真的在最后展示了最好的模型

所以我正在做一个嵌套交叉验证来检查优化器、batch_size 和数据集上的时代数。

我正在使用此处解释的代码：https://machinelearningmastery.com/nested-cross-validation-for-machine-learning-with-python/

我们的教授展示了一些与此类似的代码，并暗示它将在内循环和外循环结束时返回最佳模型。但我怎么看，它只是内部循环中最好的 10 个。还是我读错了？

如果我是对的，想在嵌套交叉验证结束时选择一个模型，我该怎么做？我应该选择返回最好结果的模型吗？

或者我读错了，是最后一个恢复的模型，这应该是最好的模型（我认为这不是来自博客文章和教授解释的内容，这不清楚，他们将这段代码呈现为返回最佳模型）：

# enumerate splits
outer_results = list()



for train_ix,test_ix in cv_outer.split(X):
    # split data
    X_train,X_test = X[train_ix,:],X[test_ix,:]
    y_train,y_test = Y[train_ix],Y[test_ix]
    # configure the inner cross-validation procedure
    cv_inner = KFold(n_splits=10,shuffle=True,random_state=1)
    # define the model
    model = my_model
    # define search space : A dictionary containing the parameters with the values we want the model to try on and apply grid search
    space = {'batch_size': [10],'nb_epoch': [25],'optimizer': ['RMSprop']}
    # define search
    search = gridsearchcv(model,space,scoring='accuracy',cv=cv_inner,refit=True) #,cv=cv_inner
 
    # execute search
    result = search.fit(X_train,y_train)
    # get the best performing model fit on the whole training set
    best_model = result.best_estimator_
    # evaluate model on the hold out dataset
    yhat = best_model.predict(X_test)
    # evaluate the model
    acc = accuracy_score(y_test,yhat)
    # store the result
    outer_results.append(acc)
  
    # report progress
    print('>acc=%.3f,est=%.3f,cfg=%s' % (acc,result.best_score_,result.best_params_))
# summarize the estimated performance of the model
print('Accuracy: %.3f (%.3f)' % (mean(outer_results),std(outer_results)))