我在尝试理解Gridsearchcv的逻辑是如何工作的。我查看了这里，官方文档，以及源代码，但无法理解以下内容：

Gridsearchcv背后的总体逻辑是什么？

澄清：

1. 如果我使用默认的cv = 5，输入数据被分为训练、验证和测试集的百分比是多少？
2. Gridsearchcv多久进行一次这样的分割，以及它如何决定哪些观测值属于训练/验证/测试集？
3. 由于正在进行交叉验证，超参数调整的平均值在哪里起作用？即最优超参数值是否是优化某种平均值的一个值？

这个问题与我的担忧相同，但我不知道信息是否是最新的，并且我不确定我是否理解了那里的所有信息。例如，根据原帖，我的理解是：

• 测试集占输入数据集的25%，且仅创建一次。
• 训练集和验证集的联合相应地创建一次，这个联合占原始数据的75%。
• 然后，该过程将这75%进一步分成5个（因为cv = 5）分割，每个分割为60%训练和15%验证。
• 最优超参数值是优化这些5个分割中某个指标的平均值的值。

这种理解是否正确且现在仍然适用？以及该过程是如何进行最初的25%-75%分割的？

回答：

1. 首先，您将数据分割成训练和测试集。测试集被留出来用于模型训练后的测试和优化。gridsearchcv使用您数据的75%并将其分成5个部分。首先它训练4个部分并在1个部分上进行验证，然后引入之前留出的部分进行验证并在新的部分上进行测试，等等…共5次。

然后可以看到每次运行的表现以及它们的平均值，以了解您的模型整体表现如何。

2. 由于您在进行gridsearch，在建模结束时，best_params将被保存以预测您的测试集。
3. 总结一下，最佳参数将在整个训练结束后被选中并用于您的模型，因此，您可以轻松地使用它们来predict(X_test)。

阅读更多内容请点击这里。

4. 通常，如果您不进行交叉验证，模型将尝试使用预设参数优化其权重，而留出的测试集将帮助评估模型表现。然而，对于真正的模型训练，重新分割训练数据为训练和验证集非常重要，您使用验证集来手动调整模型的参数。然而，过度调整模型以在验证集上获得最佳表现是作弊行为。

理论上的K折

更多细节