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)

前面我们提到了4种分割数据集的方法，在分割完数据集后，我们训练模型，那模型的表现到底如何呢？我们可以使用这个函数来看模型的评分。estimator：estimator object implementing ‘fit’

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

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

我们的数据集cv：int, cross-validation generator or an iterable, default=None

我们要进行的交叉验证的方法

几个常用的参数如上所示，下面，我们举几个小栗子。

KFold

关于KFold参考：橘猫吃不胖：sklearn函数：KFold(分割训练集和测试集)​zhuanlan.zhihu.com

对于K折交叉验证， K的取值，通常为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，就是我们每一次模型的得分(准确率)

这里，我们调用KFold，设置K=10，也就是会分割为10分子集，然后去遍历调用模型

这里，我们使用的是逻辑回归模型

2. LeaveOneOut

关于LeaveOneOut，参考：橘猫吃不胖：sklearn函数：LeaveOneOut(分割训练集和测试集)​zhuanlan.zhihu.com

同样使用上面的数据集

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()

这个跑起来的确很慢，一开始结果都是0，1我还以为错了，啥情况，一想，因为留一法，就是遍历N次，每次的结果要么是对的，要么就是不对的，所以，可以看个平均的得分