Scikit-learn时间序列交叉验证中各折训练的epoch数疑问及配置咨询

嘿，我来帮你把这个问题掰明白～

首先你看到的114/114、225/225这类输出，不是epoch数，而是每折训练时的batch批次总数。因为时间序列拆分（TimeSeriesSplit）是按顺序递增划分训练集的，随着折数增加，训练集的样本量越来越大，对应的batch数自然也会变多，所以数字会不一样。

那你关心的epoch数问题：默认情况下，Keras的Scikit-learn包装器（KerasRegressor或者KerasClassifier）的epochs参数默认值是1，所以每折确实只训练1个epoch。不过这个参数完全是可以自定义配置的！

怎么配置epoch数？ #

在初始化Keras包装器的时候，直接把epochs参数传进去就行，比如：

from keras.wrappers.scikit_learn import KerasRegressor
from keras.models import Sequential
from keras.layers import Dense

def build_mlp_model():
    # 这里是你的MLP模型构建代码
    model = Sequential()
    model.add(Dense(64, activation='relu', input_shape=(X_train.shape[1],)))
    model.add(Dense(32, activation='relu'))
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mse')
    return model

# 初始化包装器时指定epochs和batch_size
model = KerasRegressor(build_fn=build_mlp_model, epochs=50, batch_size=32)

这样设置后，每一轮交叉验证的折都会训练50个epoch，而不是默认的1个。

额外优化：早停机制 #

如果担心训练过多epoch导致过拟合，还可以加上Keras的EarlyStopping回调函数，让模型在验证集性能不再提升时自动停止训练：

from keras.callbacks import EarlyStopping

early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
model = KerasRegressor(build_fn=build_mlp_model, epochs=100, batch_size=32, callbacks=[early_stop])

这里设置了最多训练100个epoch，但如果连续5个epoch验证损失都没下降，就会提前停止，并且恢复到性能最好的那组权重。

这样调整后，你就能完全控制每折训练的epoch数啦～

内容的提问来源于stack exchange，提问作者Gabriel