我有一个训练数据集，矩阵形式的维度为5000 x 3027（CIFAR-10数据集）。使用numpy中的array_split，我将其分成了5个不同的部分，我想选择其中一个部分作为交叉验证折。然而，当我使用类似XTrain[[Indexes]]的操作时，其中indexes是一个像[0,1,2,3]这样的数组，这样做会得到一个维度为4 x 1000 x 3027的3D张量，而不是一个矩阵。我如何将“4 x 1000”压缩成4000行，得到一个4000 x 3027的矩阵？

for fold in range(len(X_train_folds)):    indexes = np.delete(np.arange(len(X_train_folds)), fold)     XTrain = X_train_folds[indexes]    X_cv = X_train_folds[fold]    yTrain = y_train_folds[indexes]    y_cv = y_train_folds[fold]    classifier.train(XTrain, yTrain)    dists = classifier.compute_distances_no_loops(X_cv)    y_test_pred = classifier.predict_labels(dists, k)    num_correct = np.sum(y_test_pred == y_test)    accuracy = float(num_correct/num_test)    k_to_accuracy[k] = accuracy

回答：

我建议使用scikit-learn包。它已经包含了许多常见的机器学习工具，例如K折交叉验证生成器：

>>> from sklearn.cross_validation import KFold>>> X = # 你的数据 [样本 x 特征]>>> y = # 真实标签>>> kf = KFold(X.shape[0], n_folds=5)

然后，遍历kf：

>>> for train_index, test_index in kf:        X_train, X_test = X[train_index], X[test_index]        y_train, y_test = y[train_index], y[test_index]        # 做一些操作

上述循环将执行n_folds次，每次使用不同的训练和测试索引。