小编zwi*_*uta的帖子

“查找所有引用”搜索需要很长时间。

完成后，我看到 VSCode 在我的虚拟环境中搜索引用.venv，.venvlinux尽管我将其列在“文件：排除”和“文件：观察者排除”设置下

我的 json.settings 文件看起来像这样

{
    "files.exclude": {
        "**/.git": true,
        "**/.svn": true,
        "**/.hg": true,
        "**/CVS": true,
        "**/.DS_Store": true,
        "**/Thumbs.db": true,
        "**/.venv": true,
        "**/.venvlinux": true
      },

      "files.watcherExclude": {
        "**/.git/objects/**": true,
        "**/.git/subtree-cache/**": true,
        "**/node_modules/*/**": true,
        "**/.hg/store/**": true,
        "**/.venv/**": true,
        "**/.venvlinux/**": true
      },
}

如何阻止 VSCode 在我的虚拟环境中搜索引用？

当我通过交叉验证训练 SVC 时，

y_pred = cross_val_predict(svc, X, y, cv=5, method='predict')

cross_val_predict返回 X 中每个元素的一个类预测，因此y_pred.shape = (1000,)当m=1000. 这是有道理的，因为cv=5SVC 在 X 的不同部分上进行了 5 次训练和验证。在这五次验证中，每一次都对五分之一的实例进行了预测 ( m/5 = 200)。随后，将 5 个向量（每个向量包含 200 个预测）合并为y_pred.

y_pred考虑到所有这些，我使用和 y计算 SVC 的整体精度是合理的。

score = accuracy_score(y, y_pred)

但是（！）cross_val_predict声明的文档：

cross_val_predict 的结果可能与使用 cross_val_score 获得的结果不同，因为元素以不同的方式分组。函数 cross_val_score 取交叉验证折叠的平均值，而 cross_val_predict 只是简单地返回来自几个不同模型的标签（或概率）。因此，cross_val_predict 不是泛化误差的适当度量。

有人可以换句话解释一下，为什么cross_val_predict不适合测量泛化误差，例如 via accuracy_score(y, y_pred)？

编辑：

我首先假设在cv=55 个验证中的每一个都会对 X 的所有实例进行预测。但这是错误的，每次验证仅对 X 的 1/5 实例进行预测。

以下代码cross_validate与结合以GridSearchCV对 iris 数据集上的 SVC 执行嵌套交叉验证。

（以下文档页面的修改示例：https : //scikit-learn.org/stable/auto_examples/model_selection/plot_nested_cross_validation_iris.html#sphx-glr-auto-examples-model-selection-plot-nested-cross-validation-iris -py .)

from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV, cross_validate, KFold
import numpy as np
np.set_printoptions(precision=2)

# Load the dataset
iris = load_iris()
X_iris = iris.data
y_iris = iris.target

# Set up possible values of parameters to optimize over
p_grid = {"C": [1, 10],
          "gamma": [.01, .1]}

# We will use a Support Vector Classifier with "rbf" kernel
svm = SVC(kernel="rbf")

# …

我尝试按照扩展的自述文件中给出的说明进行操作。我使用 Windows 并打开我的笔记本，我使用存储在目录中的 jupyter-notebook.exe

..\Anaconda3\脚本

在 Anaconda3 目录中，我转到子目录

Anaconda3\Lib\site-packages\jupyter_contrib_nbextensions\nbextensions\snippets

并更改文件“snippets.json”的代码

{
"snippets" : [
    {
        "name" : "example",
        "code" : [
            "# This is an example snippet!",
            "# To create your own, add a new snippet block to the",
            "# snippets.json file in your jupyter data directory under nbextensions:",
            "# $(jupyter --data-dir)/nbextensions/snippets/snippets.json",
            "import this"
        ]
    }
]
}

到

{
    "snippets" : [
        {
            "name" : "example",
            "code" : [
                "# This is a test if something changed",
            ]
    ] …