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種分割數據集的方法，在分割完數據集后，我們訓練模型，那模型的表現到底如何呢？我們可以使用這個函數來看模型的評分。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

我們的數據集cv：int, cross-validation generator or an iterable, default=None

我們要進行的交叉驗證的方法

幾個常用的參數如上所示，下面，我們舉幾個小栗子。

KFold

關于KFold參考：橘貓吃不胖：sklearn函數：KFold(分割訓練集和測試集)?zhuanlan.zhihu.com

對于K折交叉驗證， 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(準確率)

這里，我們調用KFold，設置K=10，也就是會分割為10分子集，然后去遍歷調用模型

這里，我們使用的是邏輯回歸模型

2. LeaveOneOut

關于LeaveOneOut，參考：橘貓吃不胖：sklearn函數：LeaveOneOut(分割訓練集和測試集)?zhuanlan.zhihu.com

同樣使用上面的數據集

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()

這個跑起來的確很慢，一開始結果都是0，1我還以為錯了，啥情況，一想，因為留一法，就是遍歷N次，每次的結果要么是對的，要么就是不對的，所以，可以看個平均的得分