我对数据科学还很陌生，有点困惑。 并且只是想确保我的方法有意义。 我创建如下模型： <pre><

我正在尝试使用MSE和R ^ 2得分作为计算交叉验证得分的指标，将k倍交叉验证应用于混合物密度模型。 （

我正在训练神经网络进行分类。但是，我只有525个样本和大约300个预测变量。我知道我可以尝试减少变

我想对回归模型（非分类）进行交叉验证，最终得出的平均准确度约为0.90。但是，我不知道该方法使用

我需要使用分层的kfold（不平衡的多类任务）交叉验证keras模型。是否可以在（folds = list（StratifiedKFold（k

我读过某个地方，您不应在验证集上使用<strong>数据增强，而应该仅在训练集上使用它。</strong> 我

这是我的代码：我收到“关键错误” def summary_diagnostics（histories）： <pre><code>for i in range(len(his

用于线性判别分析的<code>MASS:lda()</code> R函数可实现LDA的经典版本和强大版本。但是我注意到留一法交叉

我编写了此代码，该代码使用分层k折叠来拆分数据集并拟合多项式回归，然后获得准确性。我的<code>X</c

因此，我有一个python flask应用程序，当前正在使用女服务员来接受启动模型生成的请求。在这些模型生

<a href="https://i.stack.imgur.com/fbf2m.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/fbf2m.png" alt="This is the

对于神经网络回归预测任务cross_val_predict会引发错误（完全错误在下面，使用的模型下面） <pre><code>Ty

我正在构建具有分层kfold交叉验证的XGBClassifier。通过交叉验证对超参数进行调整之后，当脚本在不同的

我正在尝试通过多类numpy.ndarray（命名为stratify组，形状为（n_samples，））对样本进行分层，该样本具有

我正在尝试使用有监督的机器学习来根据它们各自的长度和宽度度量来预测农作物（例如土豆）的重量

我有一些纵向/面板数据，格式如下（数据输入的代码在问题下方）。 X和y的观测值按时间和国家/地区索

正如标题所述，我想知道sklearn的<code>GroupKFold</code>和<code>GroupShuffleSplit</code>之间的区别。 两个都针

我有一个多分类问题（有很多标签），我想使用F1分数和'average'='weighted'。 虽然我做错了。这是我

我想知道是否可以用cv执行sklearn网格搜索 示例代码： <pre><code>gs = RandomizedSearchCV( estimator=clf,

我正在使用流水线PCA和网格搜索来选择超参数，从而拟合随机森林回归模型，但它在某种程度上给了我