我正在尝试使用随机搜索。
在我的单行情况下，我的数据被拆分为火车/验证/测试数据。
当我在train_data上使用默认的3倍CV运行随机搜索CV时，我注意到我的Train_input的长度将降低到Train_data的66％(在3倍CV中是有意义的。
所以我猜我应该将初始火车和验证设置合并为较大的火车集，然后让随机搜索将其分为火车和验证集。
那是正确的方法吗？
我的问题是：如何访问我的Train_input的剩余33％以将其馈送到我的验证精度测试功能(请注意，我的分数功能在测试集上运行(？
感谢您的帮助！yoann
我不确定我的代码在这里是否有帮助，因为我的问题相当通用。
这是我通过浏览Sklearn的代码找到的答案：随机搜索CV不会以一种简单的方式返回拆分验证数据，我绝对应该将初始火车和验证设置合并到较大的火车集中，然后让随机的SearchCV Split它进入火车和验证集。
使用跨胶体器将Train_data分配为CV，将其分为火车/验证集(在我的情况下，分层k-folds http://scikit-learn.org/stable/modules/mmodules/generated/sklearn.model_selection。stratifiedkfold.html(
我的估计器定义如下：
class DNNClassifier(BaseEstimator, ClassifierMixin):
它需要一个分数函数才能评估验证集中的简历性能。在分类类中有一个默认的分数函数(该类别返回平均准确性，并且需要在估算器类中实现预测函数(。
在我的情况下，我在估算器类中实现了自定义分数功能。
完成了超参数搜索和简历拟合，称为随机搜索的拟合函数
RandomizedSearchCV(DNNClassifier(), param_distribs).fit(train_data)
此拟合功能在火车集上运行估算器的自定义拟合功能，然后在验证集上运行分数功能。
这是使用._validation库中的_fit_and_score函数完成的。
因此，我可以在我的估计器拟合函数结束时访问自动拆分验证集(我的train_data输入的33％(。
我宁愿在估算器的拟合函数中访问它，以便我可以使用它来绘制培训步骤的验证精度和尽早停止(我将保留一个单独的验证设置(。
我想我可以通过从我的初始train_data中寻找丢失的索引来重建自动生成的验证集(估算器拟合函数中使用的train_data具有初始train_data的索引的66％(。
如果有人已经做过的事情，我很想听到！