sklearn.model_selection.cross_val_score(estimator,X,y=None,*,groups=None,scoring=None,cv=None,n_jobs=None,verbose=0,fit_params=None,pre_dispatch='2*n_jobs',error_score=nan)

前面我們提到了4種分割數(shù)據(jù)集的方法，在分割完數(shù)據(jù)集后，我們訓(xùn)練模型，那模型的表現(xiàn)到底如何呢？我們可以使用這個(gè)函數(shù)來看模型的評(píng)分。estimator：estimator object implementing ‘fit’

我們的算法模型X：array-like of shape (n_samples, n_features)

y：array-like of shape (n_samples,) or (n_samples, n_outputs), default=None

我們的數(shù)據(jù)集cv：int, cross-validation generator or an iterable, default=None

我們要進(jìn)行的交叉驗(yàn)證的方法

幾個(gè)常用的參數(shù)如上所示，下面，我們舉幾個(gè)小栗子。

KFold

關(guān)于KFold參考：橘貓吃不胖：sklearn函數(shù)：KFold(分割訓(xùn)練集和測(cè)試集)?zhuanlan.zhihu.com

對(duì)于K折交叉驗(yàn)證， K的取值，通常為3、5、10

import pandas as pd

import numpy as np

names = ['preg','plas','pres','skin','test','mass','pedi','age','class']

df = pd.read_csv('data/pima-indians-diabetes.csv' , names=names)

df.head(10)

X = df.values[:,:8]

y = df.values[:,8]

from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score

from sklearn.linear_model import LogisticRegression

kfold = KFold(n_splits=10)

model = LogisticRegression()

result = cross_val_score(model , X , y , cv=kfold)

最后的result，就是我們每一次模型的得分(準(zhǔn)確率)

這里，我們調(diào)用KFold，設(shè)置K=10，也就是會(huì)分割為10分子集，然后去遍歷調(diào)用模型

這里，我們使用的是邏輯回歸模型

2. LeaveOneOut

關(guān)于LeaveOneOut，參考：橘貓吃不胖：sklearn函數(shù)：LeaveOneOut(分割訓(xùn)練集和測(cè)試集)?zhuanlan.zhihu.com

同樣使用上面的數(shù)據(jù)集

from sklearn.model_selection import LeaveOneOut

loocv = LeaveOneOut()

model = LogisticRegression(max_iter=1000)

result = cross_val_score(model , X , y , cv=loocv)

result

result.mean()

這個(gè)跑起來的確很慢，一開始結(jié)果都是0，1我還以為錯(cuò)了，啥情況，一想，因?yàn)榱粢环?#xff0c;就是遍歷N次，每次的結(jié)果要么是對(duì)的，要么就是不對(duì)的，所以，可以看個(gè)平均的得分

總結(jié)

以上是生活随笔為你收集整理的python cross val score_sklearn函数：cross_val_score（交叉验证评分）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。