這裡碼一下如何使用K折交叉驗證來評估模型。

KerasClassifier和KerasRegressor類使用引數build_fn，指定用來建立模型的函式的名稱。因此這裡必須定義一個函式，並通過函式來定義深度學習模型，編譯並返回它。這裡便是定義了create_model()函式。

from keras.models import Sequential
from keras.layers import Dense
import numpy as np
from sklearn.model_selection import cross_val_score
from keras.wrappers.scikit_learn import  KerasClassifier
from sklearn.model_selection import StratifiedKFold # K摺疊

#構建模型
def create_model():
    #構建模型
    model = Sequential()
    model.add(Dense(units=12, input_dim=8, activation='relu'))
    model.add(Dense(units=8, activation='relu'))
    model.add(Dense(units=1, activation='sigmoid'))
    #編譯模型
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    return model

seed = 7 #設定隨機種子
np.random.seed(seed)

#匯入資料
dataset = np.loadtxt(r'F:\Python\pycharm\keras_deeplearning\datasets\PimaIndiansdiabetes.csv', delimiter=',', skiprows=1)
#分割輸入變數x和輸出變數Y
x = dataset[:, 0:8]
Y = dataset[:, 8]

#建立模型,,迭代——引數為（模型，時期，批處理大小，verbose=0作用：關閉模型的fit()和evaluate()的詳細輸出）
model = KerasClassifier(build_fn=create_model, epochs=150, batch_size=10, verbose=0)

#10折交叉驗證
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, x, Y, cv=kfold)
print(results.mean())
 

執行程式碼後得到10折交叉驗證的準確度均值：

0.6926179105595456