Meta tags:
description= Cross-Validation in Python: K-Fold, Stratified K-Fold, Leave-One-Out, Nested CV und Pipelines mit scikit-learn — mit ausführbaren Beispielen.;
Headings (most frequently used words):
cross, validation, fold, der, stratified, von, folds, in, python, loocv, warum, wichtig, ist, leave, one, out, mehrere, metriken, gleichzeitig, auswerten, eine, pipeline, innerhalb, verwenden, verschachtelte, häufige, fallstricke, kurzübersicht, verwandte, themen, einfaches, beispiel, wahl, manuelle, inspektion, vorverarbeitung, außerhalb, des, fehlerhafte, verwendung, random_state, interpretation, standardabweichung, bei, zeitreihendaten,
Text of the page (most frequently used words):
#python (58), die (43), fold (42), cross (36), der (35), validation (34), scores (31), sie (28), accuracy (24), import (24), ist (23), test (23), iris (23), und (22), sklearn (22), from (22), auf (21), folds (17), cross_val_score (16), für (15), lernen (15), daten (15), print (15), train (14), mean (14), load_iris (14), matplotlib (14), das (13), eine (13), pipeline (13), mit (13), kfold (13), ein (13), samples (13), mysql (13), verwenden (12), logisticregression (12), mongodb (12), stichproben (11), von (11), std (11), als (10), stratifiedkfold (10), random_state (10), oder (10), kopieren (10), modell (10), scoring (9), wenn (9), true (9), 9667 (9), alle (8), hyperparameter (8), split (8), datensatz (8), einen (8), shuffle (8), data (8), model (8), wird (8), listen (8), html (7), leave (7), one (7), out (7), stratified (7), scikit (7), learn (7), bei (7), dem (7), round (7), n_splits (7), target (7), datasets (7), model_selection (7), string (7), strings (7), elemente (7), über (6), verschachtelte (6), innerhalb (6), regression (6), den (6), kann (6), jeder (6), schätzung (6), max_iter (6), linear_model (6), score (6), 120 (6), w3docs (5), tools (5), was (5), einer (5), grid (5), gridsearchcv (5), standardabweichung (5), nicht (5), einem (5), 9333 (5), trainings (5), 200 (5), 150 (5), erstellen (5), tutorial (5), tuples (5), methoden (5), formatter (5), color (5), json (4), generator (4), mehrere (4), metriken (4), können (4), search (4), nested (4), sehr (4), datensätze (4), immer (4), sind (4), des (4), neu (4), schleife (4), ihr (4), jedes (4), wie (4), varianz (4), cv_results (4), cross_validate (4), trainiert (4), loo (4), test_idx (4), train_idx (4), dateien (4), entfernen (4), erste (4), schritte (4), dictionaries (4), set (4), listenelemente (4), durchlaufen (4), code (3), encoder (3), editor (3), quizze (3), übungen (3), php (3), javascript (3), css (3), beispiele (3), gleichzeitig (3), warum (3), auc (3), roc (3), verwendet (3), tuning (3), leaveoneout (3), 100 (3), klassen (3), meisten (3), aus (3), hohe (3), ergebnisse (3), zahlen (3), vor (3), training (3), einzelne (3), unter (3), finden (3), nested_scores (3), overfitting (3), sodass (3), auch (3), enthält (3), skalierung (3), gesamte (3), numpy (3), mal (3), möchten (3), len (3), loocv (3), testmenge (3), diese (3), iterationen (3), teil (3), variablen (3), sets (3), hinzufügen (3), zugreifen (3), italiano (2), português (2), español (2), français (2), русский (2), deutsch (2), english (2), beautifier (2), diff (2), password (2), java (2), git (2), bücher (2), snippets (2), verwandte (2), themen (2), kurzübersicht (2), häufige (2), fallstricke (2), auswerten (2), wichtig (2), this (2), page (2), kurve (2), bootstrap (2), aggregation (2), weitere (2), übergeben (2), matrix (2), regressions (2), beispielen (2), werden (2), einfachere (2), basistechnik (2), verbessert (2), timeseriessplit (2), kleine (2), klassifikation (2), unausgewogenen (2), klasse (2), wann (2), informationen (2), stattdessen (2), schlecht (2), einzelnen (2), ziehen (2), ohne (2), setzen (2), anderen (2), ihre (2), integer (2), berichten (2), verwendung (2), scalers (2), gesamten (2), aufruf (2), statt (2), vorverarbeitung (2), liefert (2), leistung (2), workflow (2), trainieren (2), äußere (2), outer_cv (2), inner_cv (2), param_grid (2), bewerten (2), sowohl (2), modellleistung (2), denselben (2), diesen (2), partitionen (2), imputation (2), skf (2), pipe (2), standardscaler (2), preprocessing (2), besteht (2), darin (2), feature (2), übermäßig (2), optimistischen (2), erkennen (2), hat (2), bias (2), macro (2), 975 (2), 9833 (2), f1_macro (2), pro (2), metrik (2), berechnen (2), kompromiss (2), einzelner (2), weniger (2), sich (2), stichprobe (2), verbleibenden (2), bilden (2), trainingsmenge (2), standard (2), validator (2), skfold (2), dass (2), teilt (2), nach (2), klassenverteilungen (2), enumerate (2), for (2), ausführen (2), aber (2), werte (2), wahl (2), parameter (2), the (2), zum (2), mittelwert (2), bewertet (2), auswertung (2), welche (2), gut (2), aussehen (2), lassen (2), machine (2), learning (2), and (2), handling (2), limit (2), update (2), drop (2), collection (2), delete (2), insert (2), datenbank (2), einführung (2), schleifen (2), verbinden (2), ändern (2), hash (2), 2026, rechte, vorbehalten, entwickler, gemacht, sprache, datenschutzrichtlinie, kontakt, uns, unternehmen, probier, üben, kostenlose, tutorials, web, seit, 2014, next, previous, yes, helpful, auswertungsmetrik, curve, klassenspezifische, leistungsaufschlüsselung, ergänzung, confusion, pendant, ebenfalls, ausgewertet, linear, klassifikatoren, obigen, logistic, häufig, kombination, zeitlicher, ordnung, time, series, inside, bericht, unverfälschter, standardwahl, klassifikationsaufgaben, technik, mischt, zufällig, zeitreihenproblemen, zukünftige, vergangene, trainingsfenster, einmischen, würde, zeitliche, reihenfolge, respektiert, zeitreihendaten, echte, variabilität, widerspiegeln, manche, einfacher, andere, betrachten, bevor, schlussfolgerungen, interpretation, erzeugt, lauf, reproduzierbar, festen, fehlerhafte, anpassen, eines, lässt, statistiken, einfließen, lösung, außerhalb, ansatz, unverfälschte, endgültig, eingesetzten, modells, ihn, forschungskontext, algorithmen, vergleichen, einfachen, deployment, ohnehin, allen, verfügbaren, regel, ausreichend, detaillierte, erläuterung, tunings, 9600, outer, unbiased, performance, estimation, 300, inner, selection, beste, inneren, gefundene, zurückgehaltenen, per, auswählen, innere, trennt, beiden, anliegen, tunen, riskieren, gegenüber, validierungs, gewählten, diejenigen, bestimmten, besten, erzielt, haben, gemeldete, optimistisch, schritt, lernt, pca, encoding, 9533, 0452, clf, scaler, correct, fitted, only, korrekte, muster, kapseln, passt, einschließlich, unabhängig, häufiger, fehler, vorverarbeitungsschritte, anzupassen, dadurch, gelangen, trainingsprozess, führt, vergleich, hinweg, schnelle, möglichkeit, durchgehend, deutlich, höher, trainingsdaten, auswendig, gelernt, hintergrundinformationen, 9259, 9691, 971, test_f1_macro, 9583, train_accuracy, test_accuracy, return_train_score, nur, abzurufen, besserer, binäre, punkt, aussagekräftig, rechenkosten, nachteile, verzerrungsärmste, leisten, tests, zurückzuhalten, 1795, deviation, number, extreme, fall, entspricht, anzahl, iteration, bedeutet, auswertungszyklen, klassifikationsprobleme, kontexten, erhalten, stratifizierung, automatisch, randomizedsearchcv, 0298, stellt, sicher, ungefähr, anteil, zielwert, kategorialer, natur, normales, indexreihenfolge, dies, dazu, führen, einige, wenige, minderheitsklasse, enthalten, unzuverlässig, macht, ausgabe, y_train, y_test, x_train, x_test, start, selbst, iterieren, prüfen, jeden, einfließt, benutzerdefinierte, logik, manuelle, inspektion, kleinen, datensätzen, sollten, betracht, schneller, reagiert, empfindlicher, art, datenaufteilung, kleineres, geringere, verzerrung, höhere, rechenintensiver, größeres, empfohlen, bieten, guten, usw, roc_auc, objekt, zielvektor, estimator, zweck, funktion, verwaltet, intern, wichtige, 9733, 0249, load, built, dataset, features, classes, einfaches, beispiel, testen, liegen, kreuzvalidierte, leistungsschätzung, zeigt, konsistent, verschiedene, datensegmente, grund, zurückgehalten, häufigsten, verwendete, strategie, gleichgroße, aufgeteilt, nutzt, außerdem, begrenzte, optimal, jede, experiment, löst, dieses, problem, indem, prozess, wiederholt, wobei, anderer, dient, endscore, durchschnitt, weitaus, stabiler, messung, naiver, auswertungsworkflow, einmalig, testet, erhaltene, hängt, stark, davon, welchem, gelandet, günstiger, schwaches, ungünstiger, starkes, eingebauten, sofort, downloads, unverfälschtes, zur, vermeidung, leakage, mehrerer, unausgewogene, ausreicht, seite, behandelt, standardmethode, abzuschätzen, unbekannten, abschneiden, verlassen, nachdem, landen, pessimistischen, liefern, mehrfach, verschiedenen, mittelt, pipelines, ausführbaren, http, anfragen, pytest, pakete, virtuelle, umgebungen, tooling, best, practices, threading, asyncio, concurrency, csv, random, sys, itertools, collections, ausnahmen, auslösen, error, library, zwei, addieren, umkehren, duplikate, how, enums, abstrakte, kapselung, polymorphismus, dataclasses, static, classmethod, property, magic, methods, advanced, oop, match, anweisung, zip, map, comprehensions, kontextmanager, rekursion, closures, generatoren, decorators, args, kwargs, type, hints, intermediate, sort, query, find, join, table, order, where, select, tabelle, einstieg, nearest, neighbors, means, kategoriale, logistische, hierarchisches, clustering, konfusionsmatrix, entscheidungsbaum, multiple, polynomiale, lineare, streudiagramm, normalverteilung, datenverteilung, perzentil, median, modus, kreisdiagramme, histogramme, balken, scatter, subplot, beschriftungen, linie, marker, plotting, pyplot, django, scipy, pandas, modules, löschen, schreiben, lesen, dateiverarbeitung, file, formatierung, benutzereingabe, try, except, pip, regex, math, datumsangaben, module, scope, iteratoren, vererbung, objekte, arrays, lambda, funktionen, while, else, tupeln, gruppieren, operatoren, booleans, casting, datentypen, kommentare, syntax, variablennamen, aktualisieren, tupel, entpacken, tuple, sortieren, slicen, home, ausgabevariablen, modifizieren, list, comprehension, zusammenführen, globale, format, escape, zeichen, dictionary, verketten, zuweisen, aufrufen, anmelden, durchsuchen, formatters, url, reverse, sha256, md5, length, calculator, colors, hsl, hex, mixer, converter, picker, general, kurse,
Text of the page (random words):
rs hsl alle 10 string tools string length calculator md5 hash generator sha256 hash generator string reverse url encoder alle 19 code formatters javascript formatter css formatter html formatter json formatter php formatter w3docs durchsuchen k de english en deutsch de русский ru français fr español es português pt italiano it anmelden python lernen python tutorial auf elemente zugreifen auf listenelemente zugreifen auf set elemente zugreifen tuples aufrufen elemente hinzufügen listenelemente hinzufügen set elemente hinzufügen mehrere werte zuweisen elemente ändern listenelemente ändern strings verketten dictionaries kopieren listen kopieren dictionary methoden escape zeichen format strings globale variablen listen verbinden sets zusammenführen tuples verbinden list comprehension listen methoden dictionaries durchlaufen listen durchlaufen sets durchlaufen tuples durchlaufen strings modifizieren verschachtelte dictionaries ausgabevariablen python home python listen python sets python strings python tuples python variablen elemente entfernen listenelemente entfernen set elemente entfernen set methoden strings slicen listen sortieren string methoden tuple methoden tupel entpacken tuples aktualisieren variablennamen python einführung python erste schritte python syntax python kommentare python variablen python datentypen python zahlen python casting python strings python booleans python operatoren python listen python tupeln gruppieren python dictionaries python if else python while schleifen python for schleifen python funktionen python lambda python arrays python klassen objekte python vererbung python iteratoren python scope python module python datumsangaben python math python json python regex python pip python try except python benutzereingabe python string formatierung file handling python dateiverarbeitung python dateien lesen python dateien schreiben erstellen python dateien löschen python modules numpy tutorial pandas tutorial scipy tutorial django tutorial python matplotlib matplotlib einführung matplotlib erste schritte matplotlib pyplot matplotlib plotting matplotlib marker matplotlib linie matplotlib beschriftungen matplotlib grid matplotlib subplot matplotlib scatter matplotlib balken matplotlib histogramme matplotlib kreisdiagramme machine learning erste schritte mittelwert median modus standardabweichung perzentil datenverteilung normalverteilung von daten streudiagramm lineare regression polynomiale regression multiple regression skalierung train test entscheidungsbaum konfusionsmatrix hierarchisches clustering logistische regression grid search kategoriale daten k means bootstrap aggregation cross validation auc roc kurve k nearest neighbors python mysql mysql einstieg mysql datenbank erstellen mysql tabelle erstellen mysql insert mysql select mysql where mysql order by mysql delete mysql drop table mysql update mysql limit mysql join python mongodb mongodb erste schritte mongodb datenbank erstellen mongodb collection erstellen mongodb insert mongodb find mongodb query mongodb sort mongodb delete mongodb drop collection mongodb update mongodb limit intermediate python f strings type hints args kwargs decorators generatoren closures rekursion kontextmanager comprehensions enumerate zip map match anweisung advanced oop magic methods property static classmethod dataclasses polymorphismus kapselung abstrakte klassen enums python how to listen duplikate entfernen string umkehren zwei zahlen addieren error handling and the standard library ausnahmen auslösen collections itertools os sys random csv dateien concurrency in python asyncio threading python tooling and best practices virtuelle umgebungen pakete pytest http anfragen cross validation in python k fold stratified loocv cross validation in python k fold stratified k fold leave one out nested cv und pipelines mit scikit learn mit ausführbaren beispielen cross validation ist die standardmethode um abzuschätzen wie gut ein machine learning modell auf unbekannten daten abschneiden wird statt sich auf einen einzelnen train test split zu verlassen der je nachdem welche stichproben wo landen einen übermäßig optimistischen oder pessimistischen score liefern kann trainiert und bewertet cross validation das modell mehrfach auf verschiedenen partitionen der daten und mittelt die ergebnisse diese seite behandelt warum ein einzelner train test split nicht ausreicht k fold cross validation und die wahl von k stratified k fold für unausgewogene klassenverteilungen leave one out loo cross validation für kleine datensätze auswertung mehrerer metriken mit cross_validate verwendung einer pipeline innerhalb der cross validation zur vermeidung von data leakage verschachtelte cross validation für unverfälschtes hyperparameter tuning alle beispiele verwenden scikit learn und den eingebauten iris datensatz sodass sie sie sofort ohne downloads ausführen können warum cross validation wichtig ist ein naiver auswertungsworkflow teilt die daten einmalig auf trainiert auf einem teil und testet auf dem anderen der erhaltene score hängt stark davon ab welche stichproben in welchem teil gelandet sind ein günstiger split kann ein schwaches modell gut aussehen lassen ein ungünstiger kann ein starkes modell schlecht aussehen lassen cross validation löst dieses problem indem der train test prozess k mal wiederholt wird wobei jedes mal ein anderer teil der daten als testmenge dient der endscore ist der durchschnitt über alle folds der weitaus stabiler als eine einzelne messung ist cross validation nutzt außerdem begrenzte daten optimal jede stichprobe wird über das gesamte experiment sowohl für training als auch für die auswertung verwendet unter train test split finden sie die einfachere basistechnik die cross validation verbessert k fold cross validation k fold ist die am häufigsten verwendete cross validation strategie die daten werden in k gleichgroße folds aufgeteilt in jeder der k iterationen ein fold wird als testmenge zurückgehalten die verbleibenden k 1 folds bilden die trainingsmenge das modell wird von grund auf neu trainiert und auf dem test fold bewertet nach k iterationen liegen k scores vor ihr mittelwert ist die kreuzvalidierte leistungsschätzung ihre standardabweichung zeigt wie konsistent diese leistung über verschiedene datensegmente ist für k 5 und einen datensatz mit 150 stichproben enthält jeder fold 30 stichproben 20 zum testen und 120 stichproben 80 zum trainieren einfaches k fold beispiel from sklearn model_selection import kfold cross_val_score from sklearn linear_model import logisticregression from sklearn datasets import load_iris load the built in iris dataset 150 samples 4 features 3 classes iris load_iris x y iris data iris target model logisticregression max_iter 200 kfold kfold n_splits 5 shuffle true random_state 42 scores cross_val_score model x y cv kfold scoring accuracy print fold scores scores round 4 fold scores 1 1 0 9333 0 9667 0 9667 print mean accuracy 4f std 4f scores mean scores std mean accuracy 0 9733 std 0 0249 kopieren die funktion cross_val_score verwaltet alle iterationen intern wichtige parameter parameter zweck estimator jedes scikit learn modell oder pipeline x y feature matrix und zielvektor cv cross validator objekt oder integer z b cv 5 scoring metrik string accuracy f1_macro roc_auc usw wahl von k k 5 oder k 10 wird für die meisten datensätze empfohlen diese werte bieten einen guten bias varianz kompromiss bei der schätzung größeres k z b 10 liefert geringere verzerrung aber höhere varianz in der schätzung und ist rechenintensiver kleineres k z b 3 ist schneller aber die schätzung reagiert empfindlicher auf die art der datenaufteilung bei sehr kleinen datensätzen weniger als 100 stichproben sollten sie stattdessen leave one out in betracht ziehen manuelle inspektion der folds sie können die folds selbst iterieren wenn sie prüfen möchten was in jeden split einfließt oder wenn sie benutzerdefinierte logik pro fold ausführen möchten from sklearn model_selection import kfold from sklearn datasets import load_iris import numpy as np iris load_iris x y iris data iris target kfold kfold n_splits 5 shuffle true random_state 42 for fold train_idx test_idx in enumerate kfold split x start 1 x_train x_test x train_idx x test_idx y_train y_test y train_idx y test_idx print f fold fold train len train_idx samples test len test_idx samples kopieren ausgabe fold 1 train 120 samples test 30 samples fold 2 train 120 samples test 30 samples fold 3 train 120 samples test 30 samples fold 4 train 120 samples test 30 samples fold 5 train 120 samples test 30 samples kopieren stratified k fold cross validation normales k fold teilt die daten nach indexreihenfolge auf bei unausgewogenen klassenverteilungen kann dies dazu führen dass einige folds sehr wenige beispiele einer minderheitsklasse enthalten was den score unzuverlässig macht stratified k fold stellt sicher dass jeder fold ungefähr denselben anteil jeder klasse wie der gesamte datensatz enthält verwenden sie stratifiedkfold wenn ihr zielwert kategorialer natur ist from sklearn model_selection import stratifiedkfold cross_val_score from sklearn linear_model import logisticregression from sklearn datasets import load_iris iris load_iris x y iris data iris target model logisticregression max_iter 200 skfold stratifiedkfold n_splits 5 shuffle true random_state 42 scores cross_val_score model x y cv skfold scoring accuracy print fold scores scores round 4 fold scores 1 0 9667 0 9333 1 0 9333 print mean accuracy 4f std 4f scores mean scores std mean accuracy 0 9667 std 0 0298 kopieren stratifiedkfold ist der standard cross validator der innerhalb von gridsearchcv und randomizedsearchcv für klassifikationsprobleme verwendet wird in diesen kontexten erhalten sie die stratifizierung automatisch leave one out cross validation leave one out loo cross validation ist der extreme fall k entspricht der anzahl der stichproben in jeder iteration ist eine stichprobe die testmenge und alle verbleibenden stichproben bilden die trainingsmenge bei einem datensatz mit 150 stichproben bedeutet das 150 trainings und auswertungszyklen from sklearn model_selection import leaveoneout cross_val_score from sklearn linear_model import logisticregression from sklearn datasets import load_iris iris load_iris x y iris data iris target model logisticregression max_iter 200 loocv leaveoneout scores cross_val_score model x y cv loocv scoring accuracy print f number of folds len scores 150 print f mean accuracy scores mean 4f 0 9667 print f std deviation scores std 4f 0 1795 kopieren wann loo verwenden ihr datensatz hat weniger als 100 stichproben und sie können es sich nicht leisten daten für tests zurückzuhalten sie möchten die verzerrungsärmste schätzung der modellleistung nachteile von loo sehr hohe rechenkosten das modell wird n mal neu trainiert hohe varianz in der schätzung der test score jedes folds ist 0 oder 1 binäre klassifikation oder ein einzelner punkt sodass die standardabweichung für einzelne folds nicht aussagekräftig ist für die meisten datensätze ist k fold mit k 5 oder k 10 ein besserer kompromiss mehrere metriken gleichzeitig auswerten cross_val_score kann pro aufruf nur eine metrik berechnen verwenden sie cross_validate um mehrere metriken gleichzeitig zu berechnen und auch trainings scores abzurufen um overfitting zu erkennen from sklearn model_selection import kfold cross_validate from sklearn linear_model import logisticregression from sklearn datasets import load_iris import numpy as np iris load_iris x y iris data iris target model logisticregression max_iter 200 kfold kfold n_splits 5 shuffle true random_state 42 cv_results cross_validate model x y cv kfold scoring accuracy f1_macro return_train_score true print test accuracy cv_results test_accuracy round 4 test accuracy 1 1 0 9333 0 9667 0 9667 print train accuracy cv_results train_accuracy round 4 train accuracy 0 975 0 9583 0 9833 0 975 0 9833 print test f1 macro cv_results test_f1_macro round 4 test f1 macro 1 1 0 9259 0 9691 0 971 kopieren der vergleich von trainings und test scores über folds hinweg ist eine schnelle möglichkeit overfitting zu erkennen wenn die trainings accuracy durchgehend deutlich höher als die test accuracy ist hat das modell die trainingsdaten auswendig gelernt weitere hintergrundinformationen finden sie unter bias und varianz eine pipeline innerhalb der cross validation verwenden ein häufiger fehler besteht darin vorverarbeitungsschritte wie feature skalierung oder imputation auf dem gesamten datensatz vor der cross validation anzupassen dadurch gelangen informationen aus dem test fold in den trainingsprozess was zu einem übermäßig optimistischen score führt das korrekte muster besteht darin die vorverarbeitung und das modell in einer pipeline zu kapseln und die pipeline an cross_val_score zu übergeben scikit learn passt die gesamte pipeline einschließlich des scalers unabhängig innerhalb jedes folds neu an from sklearn model_selection import stratifiedkfold cross_val_score from sklearn linear_model import logisticregression from sklearn preprocessing import standardscaler from sklearn pipeline import pipeline from sklearn datasets import load_iris iris load_iris x y iris data iris target correct preprocessing is fitted only on training folds pipe pipeline scaler standardscaler clf logisticregression max_iter 200 skf stratifiedkfold n_splits 5 shuffle true random_state 42 scores cross_val_score pipe x y cv skf scoring accuracy print fold scores scores round 4 fold scores 1 0 9667 0 9 1 0 9 print mean accuracy 4f std 4f scores mean scores std mean accuracy 0 9533 std 0 0452 kopieren verwenden sie immer eine pipeline wenn ihr workflow einen schritt enthält der aus den daten lernt skalierung pca encoding imputation verschachtelte cross validation wenn sie cross validation verwenden um sowohl hyperparameter zu tunen als auch die modellleistung auf denselben daten zu bewerten riskieren sie ein overfitting gegenüber den validierungs folds die gewählten hyperparameter sind diejenigen die auf diesen bestimmten partitionen die besten scores erzielt haben sodass der gemeldete score optimistisch ist verschachtelte cross validation trennt die beiden anliegen innere schleife hyperparameter per grid search auf trainings folds auswählen äußere schleife das beste von der inneren schleife gefundene modell auf einem zurückgehaltenen test fold bewerten from sklearn model_selection import gridsearchcv stratifiedkfold cross_val_score from sklearn linear_model import logisticregression from sklearn datasets import load_iris iris load_iris x y iris data iris target inner cv hyperparameter selection inner_cv stratifiedkfold n_splits 3 shuffle true random_state 2 param_grid c 0 01 0 1 1 10 gs gridsearchcv logisticregression max_iter 300 param_grid cv inner_cv scoring accuracy outer cv unbiased performance estimation outer_cv stratifiedkfold n_splits 5 shuffle true random_state 1 nested_scores cross_val_score gs x y cv outer_cv scoring accuracy pr...
|
