在许多示例中，我看到通过使用Kfold、StratifiedKfold或其他预构建的数据集分割器来执行训练/交叉验证数据集分割。Keras模型有一个内置的validation_split kwarg，可用于训练。
model.fit(self, x, y, batch_size=32, nb_epoch=10, verbose=1, callbacks=[], validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None)
(https://keras.io/models/model/)
validation_split:浮动在0和1之间:作为验证数据使用的训练数据的一部分。模型将分离训练数据的这一部分，不会对其进行训练，并将在每个epoch结束时评估该数据的损失和任何模型指标。
我是这个领域和工具的新手，所以我的直觉是不同的分离器为您提供什么。主要是，我找不到任何关于Keras的validation_split如何工作的信息。有人能给我解释一下什么时候单独的方法更好吗?在我看来，内置的kwarg似乎是分割测试数据集最干净、最简单的方法，而不必以不同的方式构建训练循环。
两者之间的区别非常微妙，它们可以结合使用。
Kfold和scikit-learn中的类似功能将随机将数据拆分为k折叠。然后，你可以训练模型，每次都拿出一个折叠，并在折叠上进行测试。
validation_split取非随机数据的一小部分。根据Keras文档，它将从数据的末尾提取部分，例如0.1将保留输入矩阵中最后10%的行。验证分割的目的是允许您评估模型在训练集和训练周期的每个epoch的执行情况。如果模型在训练集上继续改进，但在验证集上没有改进，那么这是潜在过拟合的明显迹象。
理论上，您可以使用KFold交叉验证来构建模型，同时还可以使用validation_split来监视每个模型的性能。在每一次折叠中，您将从训练数据中生成一个新的validation_split。