→ aassdd926: 每次的訓練集不同，模型就不同，等於 5 folds 給你 503/08 23:32
→ aassdd926: 個模型03/08 23:32
→ aassdd926: 而為何不同，就是因為模型會根據 training data fit03/08 23:36
→ aassdd926: 出它的 weights / parameters03/08 23:36
→ Tombo: 我最後的問法有問題沒講清楚，我是想連續用k個不同的分割資03/08 23:53
→ Tombo: 料集來一口氣訓練完成，但是他的做法不是會一次又一次覆蓋03/08 23:53
→ Tombo: 權重，而不能巡迴一遍資料集03/08 23:53
※ 編輯: Tombo (140.122.136.109 臺灣), 03/08/2021 23:55:29
推 empireisme: 想問哪本教科書，感恩 03/09 00:05
→ aassdd926: 我不太確定我理解的對否，但這樣的概念不就是1個訓練 03/09 10:48
→ aassdd926: 集，然後你用不同的batch size 03/09 10:48
→ Tombo: tensorflow與keras- python深度學習應用實務,這本書 /他會 03/09 13:07
→ Tombo: 分割成子資料集,跟不同驗證資料集,所以好像也不太算bach si 03/09 13:07
→ Tombo: ze不同而已？？就像最新回文的那位版友說的可以加強論證的 03/09 13:07
→ Tombo: 感覺,抱歉最近才剛學習很多不了解 03/09 13:07
推 min86615: 不同的initialization weight有一定程度的會影響模型表 03/09 18:17
→ min86615: 現，所以通常會重新創建.(模型可能會學到上個模型留下來 03/09 18:17
→ min86615: 的pattern) 03/09 18:17
→ Tombo: 看完大家的回覆跟再看一次書後，應該是自己誤解交叉驗證的 03/09 19:37
→ Tombo: 背後精神，感覺是透過子資料集創建不同模型（所以需要重建 03/09 19:37
→ Tombo: ），再透過這k個模型用平均數據或是其他方法找出結論，不是 03/09 19:37
→ Tombo: 用同一個模型重複訓練不同子資料集 03/09 19:37
推 min86615: 原po如果你用其他可解釋性高的機器學習算法就不用重建， 03/10 08:11
→ min86615: 像是線性回歸之類的，因為答案是唯一，不會因初始化影響 03/10 08:11
→ min86615: ，反正你只要得知error，所以這本書為何要重建其實是因 03/10 08:11
→ min86615: 為他用了NN，NN只能找到局部最優解，不像線性回歸，所以 03/10 08:11
→ min86615: 導致每次NN的重量權值是不同的，甚至有可能被init weigh 03/10 08:11
→ min86615: t影響。我認為原po的盲點應該在這 ，Kfold 就只是交叉驗 03/10 08:11
→ min86615: 證的手法，你問我模型該不該保留等MSEMAE都符合需求要去 03/10 08:11
→ min86615: 做預測時再保留就行 03/10 08:11
推 ddavid: 其實K-fold就是驗證而已，並沒有打算要用這K個模型找結論 03/10 18:08
→ ddavid: 用多個模型綜合得到結論的方式有很多種，例如我回應文提到 03/10 18:09
→ ddavid: 的bagging、另外boosting、random forest也都是 03/10 18:11
→ ddavid: 他們在「做法上」有些地方看起來跟K-fold有相似性，但意義 03/10 18:11
→ ddavid: 上並不是相同的 03/10 18:12
→ ddavid: 只是「剛好」你可以把K-fold的K個模型留下來做bagging省去 03/10 18:12
→ ddavid: 重train的時間而已，但就只是剛好可利用而已 03/10 18:13