不好意思，打擾了
想請教下面圖片中關於
實作四折的k fold交叉驗證的程式碼
(出自市面上的教學書)
http://imgur.com/LM1nonA
自己的理解是
交叉驗證只建立一次模型
之後執行k次拆解訓練集去訓練跟驗證
但圖中迴圈中會呼叫四次build_model方法
不過為什麼不會變成重新建立四次新模型，而覆蓋之前的權重？
自己以為會是建立一次編譯模型後
再連續四次用切割過的不同子資料集
呼叫fit做訓練就好
謝謝

每次的訓練集不同，模型就不同，等於 5 folds 給你 5個模型而為何不同，就是因為模型會根據 training data fit出它的 weights / parameters

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權重，而不能巡迴一遍資料集

想問哪本教科書，感恩

我不太確定我理解的對否，但這樣的概念不就是1個訓練集，然後你用不同的batch size

tensorflow與keras- python深度學習應用實務,這本書 /他會分割成子資料集,跟不同驗證資料集,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說的可以加強論證的感覺,抱歉最近才剛學習很多不了解

不同的initialization weight有一定程度的會影響模型表現，所以通常會重新創建.(模型可能會學到上個模型留下來的pattern)

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），再透過這k個模型用平均數據或是其他方法找出結論，不是用同一個模型重複訓練不同子資料集

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，像是線性回歸之類的，因為答案是唯一，不會因初始化影響，反正你只要得知error，所以這本書為何要重建其實是因為他用了NN，NN只能找到局部最優解，不像線性回歸，所以導致每次NN的重量權值是不同的，甚至有可能被init weight影響。我認為原po的盲點應該在這 ，Kfold 就只是交叉驗證的手法，你問我模型該不該保留等MSEMAE都符合需求要去做預測時再保留就行

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，例如我回應文提到的bagging、另外boosting、random forest也都是他們在「做法上」有些地方看起來跟K-fold有相似性，但意義上並不是相同的只是「剛好」你可以把K-fold的K個模型留下來做bagging省去重train的時間而已，但就只是剛好可利用而已