我跟着 张量流的IRIS示例。
我现在的情况是我将所有数据都放在一个CSV文件中，而不是分开，我想对该数据应用k-fold交叉验证。
我有
data_set = tf.contrib.learn.datasets.base.load_csv(filename="mydata.csv",
target_dtype=np.int)
如何使用多层神经网络对此数据集执行k-fold交叉验证，与IRIS示例相同？
NN通常用于不使用CV的大型数据集 - 而且非常昂贵。在IRIS的情况下（每个物种50个样本），您可能需要它.. 为什么不用 scikit-learn与不同的随机种子 分开你的训练和测试？
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
k in kfold：
如果你不喜欢随机种子，想要更有条理的k折分裂， 你可以用这个来自 这里。
from sklearn.model_selection import KFold, cross_val_score
X = ["a", "a", "b", "c", "c", "c"]
k_fold = KFold(n_splits=3)
for train_indices, test_indices in k_fold.split(X):
print('Train: %s | test: %s' % (train_indices, test_indices))
Train: [2 3 4 5] | test: [0 1]
Train: [0 1 4 5] | test: [2 3]
Train: [0 1 2 3] | test: [4 5]
NN通常用于不使用CV的大型数据集 - 而且非常昂贵。在IRIS的情况下（每个物种50个样本），您可能需要它.. 为什么不用 scikit-learn与不同的随机种子 分开你的训练和测试？
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
k in kfold：
如果你不喜欢随机种子，想要更有条理的k折分裂， 你可以用这个来自 这里。
from sklearn.model_selection import KFold, cross_val_score
X = ["a", "a", "b", "c", "c", "c"]
k_fold = KFold(n_splits=3)
for train_indices, test_indices in k_fold.split(X):
print('Train: %s | test: %s' % (train_indices, test_indices))
Train: [2 3 4 5] | test: [0 1]
Train: [0 1 4 5] | test: [2 3]
Train: [0 1 2 3] | test: [4 5]
我知道这个问题已经过时了，但是如果有人想要做类似的事情，请继续扩展 ahmedhosny的 回答：
新的tensorflow数据集API能够使用python生成器创建数据集对象，因此与scikit-learn的KFold一起，一个选项可以是从KFold.split（）生成器创建数据集：
import numpy as np
from sklearn.model_selection import LeaveOneOut,KFold
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tf.enable_eager_execution()
from sklearn.datasets import load_iris
data = load_iris()
X=data['data']
y=data['target']
def make_dataset(X_data,y_data,n_splits):
def gen():
for train_index, test_index in KFold(n_splits).split(X_data):
X_train, X_test = X_data[train_index], X_data[test_index]
y_train, y_test = y_data[train_index], y_data[test_index]
yield X_train,y_train,X_test,y_test
return tf.data.Dataset.from_generator(gen, (tf.float64,tf.float64,tf.float64,tf.float64))
dataset=make_dataset(X,y,10)
然后，可以在基于图的张量流或使用急切执行中迭代数据集。使用急切执行：
for X_train,y_train,X_test,y_test in tfe.Iterator(dataset):
....