我是否需要多个模型进行交叉验证？

如何解决我是否需要多个模型进行交叉验证？

所以我看到了不同的交叉验证实现。 我目前正在使用 pytorch 来训练神经网络。 我当前的布局如下所示： 我有 6 个离散数据集。 5 个用于交叉验证。

Network_1 trains on Datasets: 1,2,3,4 computes loss on 5
Network_2 trains on Datasets: 1,5 computes loss on 4
Network_3 trains on Datasets: 1,4,5 computes loss on 3
Network_4 trains on Datasets: 1,5 computes loss on 2
Network_5 trains on Datasets: 2,5 computes loss on 1

然后是第 2 期，我再次完全相同：

Network_1 trains on Datasets: 1,5 computes loss on 1

为了在数据集 6 上进行测试，我应该合并来自所有 5 个网络的预测并取预测的平均分数（仍然需要对预测矩阵进行平均）。

我是否正确理解了交叉验证？这是它应该如何工作？这会正常工作吗？ 我努力不使用我已经训练过的数据进行测试。我还是没有

非常感谢您的帮助:)

解决方法

您绝对可以使用神经网络进行交叉验证，但由于神经网络是计算要求高的模型，因此通常不会这样做。为了减少方差，在神经网络中还有其他常用的技术，例如提前停止或退出。

话虽如此，我不确定您是否以正确的方式应用它。您应该跨所有时期进行训练，以便：

Network_1 trains on Datasets: 1,2,3,4 up to the end of training. Then computes loss on 5
Network_2 trains on Datasets: 1,5 up to the end of training. Then computes loss on 4
Network_3 trains on Datasets: 1,4,5 up to the end of training. Then computes loss on 3
Network_4 trains on Datasets: 1,5 up to the end of training. Then computes loss on 2
Network_5 trains on Datasets: 2,5 up to the end of training. Then computes loss on 1

一旦每个网络都训练到训练结束（因此在所有时期内），并在被遗漏的数据集（称为验证数据集）上进行验证，您就可以对获得的分数求平均值。
这个分数（实际上是交叉验证的真正点）应该给你一个公平的模型评估，当你要在测试集上测试它时，它不应该下降（你从一开始就从训练中遗漏的那个） ).

交叉验证通常与某种形式的网格搜索配对使用，以对要比较的不同模型产生无偏的评估形式。因此，例如，如果您想比较在某些参数方面不同的 NetworkA 和 NetworkB，您可以对 NetworkA 使用交叉验证，对 NetworkB 使用交叉验证，然后采用交叉验证得分最高的那个作为最终模型。

作为最后一步，一旦你决定哪个是最好的模型，你通常会用你在训练集中的所有数据（即你的例子中的数据集 1、2、3、4、5）重新训练你的模型并测试它测试集（数据集 6）上的模型。