机器学习进阶文档深度页
cross_val_predict
为每条样本产生其不在训练折时的预测，适合诊断和严格堆叠特征。
学习前需要掌握
背景与问题
它可绘制较少训练内偏差的混淆矩阵，但不自动提供无偏超参数选择。
概念定义
每条预测来自不同折模型，不是一个最终部署模型的输出集合。
直观理解
每条样本都由没看过它的临时模型作答，最后把答案拼起来。
核心原理
阈值或上层模型若使用这些预测，也需额外独立验证和严格嵌套；不能把拼接预测误称最终模型预测。
数学表达
核心表达
阈值或上层模型若使用这些预测，也需额外独立验证和严格嵌套；不能把拼接预测误称最终模型预测。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1固定 CV
- 2选择 method
- 3生成 out-of-fold 预测
- 4诊断错误/概率
代码对应位置
示例 1cross_val_predict 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
固定 CV
- 2
选择 method
- 3
生成 out-of-fold 预测
- 4
诊断错误/概率
- 5
额外验证阈值或堆叠
- 6
训练最终模型
代码实现
示例 1
cross_val_predict 示例
cross_val_predict 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
prob=cross_val_predict(pipeline,X,y,cv=5,method="predict_proba")[:,1]
print(prob.shape)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
X- 完整特征矩阵，每行一个样本、每列一个特征。
y- 目标标签或连续目标值。
prob- 模型输出的正类概率。
Step 1 · 1–2 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
prob=cross_val_predict(pipeline,X,y,cv=5,method="predict_proba")[:,1]
print(prob.shape)预期输出或运行结果
长度等于样本数的 out-of-fold 正类概率。
常见错误 · 3 条
- 当最终模型概率
- 用其选阈值后无独立验证
- 确认样本轴、特征轴以及 X 与 y 的第一维完全对应。
实际应用
- 诊断概率
- 堆叠训练特征
常见错误
当最终模型概率
用其选阈值后无独立验证
文档来源
13｜交叉验证：可靠评估与模型选择原始文档
学习资料/learning_tech/13_cross_validation.md- §14 cross_val_predict 的用途与限制
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。