我有一个回归问题，我使用的是keras完全连接层来对我的问题进行建模。我正在使用cross_val_score，我的问题是：如何提取cross_val_score的模型和每个训练/验证组合的历史？

假设此示例：

from sklearn import datasets
from sklearn.model_selection import cross_val_score,KFold
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
seed = 1

diabetes = datasets.load_diabetes()
X = diabetes.data[:150]
y = diabetes.target[:150]

def baseline_model():
    model = Sequential()
    model.add(Dense(10,input_dim=10,activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error',optimizer='adam')
    return model

estimator = KerasRegressor(build_fn=baseline_model,nb_epoch=100,batch_size=100,verbose=False)
kfold = KFold(n_splits=10,random_state=seed)
results = cross_val_score(estimator,X,y,cv=kfold)
print("Results: %.2f (%.2f) MSE" % (results.mean(),results.std()))

我的理解是，我只能得出每折的总体信息。 但是我想在每次折叠的模型时期比较火车与验证毫秒，即在这种情况下为10次。

如果不使用kfold，而是简单的训练/验证拆分，则可以执行以下操作：

hist = model.fit(X_tr,y_tr,validation_data=val_data,epochs=100,verbose=1)

plt.plot(history.history['loss'])
plt.plot(history.history['loss'])

这将返回一个表示w.r.t的mse演变的图。到训练和验证数据集的时代，从而发现过度/不足。 有什么想法在使用交叉验证时如何针对每一折？