不好意思，打扰了
想请教下面图片中关于
实作四折的k fold交叉验证的程式码
(出自市面上的教学书)
http://imgur.com/LM1nonA
自己的理解是
交叉验证只建立一次模型
之后执行k次拆解训练集去训练跟验证
但图中循环中会呼叫四次build_model方法
不过为什么不会变成重新建立四次新模型，而覆蓋之前的权重？
自己以为会是建立一次编译模型后
再连续四次用切割过的不同子资料集
呼叫fit做训练就好
谢谢

每次的训练集不同，模型就不同，等于 5 folds 给你 5个模型而为何不同，就是因为模型会根据 training data fit出它的 weights / parameters

我最后的问法有问题没讲清楚，我是想连续用k个不同的分割资料集来一口气训练完成，但是他的做法不是会一次又一次覆蓋权重，而不能巡回一遍资料集

想问哪本教科书，感恩

我不太确定我理解的对否，但这样的概念不就是1个训练集，然后你用不同的batch size

tensorflow与keras- python深度学习应用实务,这本书 /他会分割成子资料集,跟不同验证资料集,所以好像也不太算bach size不同而已？？就像最新回文的那位版友说的可以加强论证的感觉,抱歉最近才刚学习很多不了解

不同的initialization weight有一定程度的会影响模型表现，所以通常会重新创建.(模型可能会学到上个模型留下来的pattern)

看完大家的回复跟再看一次书后，应该是自己误解交叉验证的背后精神，感觉是透过子资料集创建不同模型（所以需要重建），再透过这k个模型用平均数据或是其他方法找出结论，不是用同一个模型重复训练不同子资料集

原po如果你用其他可解释性高的机器学习算法就不用重建，像是线性回归之类的，因为答案是唯一，不会因初始化影响，反正你只要得知error，所以这本书为何要重建其实是因为他用了NN，NN只能找到局部最优解，不像线性回归，所以导致每次NN的重量权值是不同的，甚至有可能被init weight影响。我认为原po的盲点应该在这 ，Kfold 就只是交叉验证的手法，你问我模型该不该保留等MSEMAE都符合需求要去做预测时再保留就行

其实K-fold就是验证而已，并没有打算要用这K个模型找结论用多个模型综合得到结论的方式有很多种，例如我回应文提到的bagging、另外boosting、random forest也都是他们在“做法上”有些地方看起来跟K-fold有相似性，但意义上并不是相同的只是“刚好”你可以把K-fold的K个模型留下来做bagging省去重train的时间而已，但就只是刚好可利用而已