如何对 MNIST 数据集使用 k 折交叉验证？我阅读了有关 sci-kit learn 的文章文档，在该示例中，他们使用整个 iris 数据集进行交叉验证。
from sklearn.model_selection import cross_val_score
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, iris.data, iris.target, cv=5)
scores
例如在 keras 中导入 mnist 数据集时
from keras.datasets import mnist
(Xtrain,Ytrain),(Xtest,Ytest)=mnist_load()
在这个数据集中已经划分为 test 和 train ，所以要对整个数据集应用交叉验证，我们需要将 Xtrain 和 Xtest 作为一个实体来利用整个数据。
对于 MNIST 数据，您需要做的是，对您的训练数据应用交叉验证以检查模型的性能。然后，如果您对模型的性能感到满意，您可以在整个训练集上对其进行训练。之后，您将使用经过训练的模型对测试数据集进行预测。
from sklearn.model_selection import cross_val_score
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, iris.data, iris.target, cv=5)
scores
他们没有使用整个数据进行交叉验证（这只是一种错觉）
当cv参数是整数时，cross_val_score 默认使用KFoldorStratifiedKFold策略，如果估算器派生自ClassifierMixin..
所以它在通话中是一种自动化的..
检查这个 kaggle 内核链接
您可以在测试集上验证您的结果，或者如果您想使用 KFold，那么您可以首先连接训练集和测试集，然后使用 KFold 拆分来评估您的结果。希望能帮助到你！