sklearn kfold_sklearn函数：cross_val_score（交叉验证评分）

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 npnames = ['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 LogisticRegressionkfold = 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 LeaveOneOutloocv = LeaveOneOut()
model = LogisticRegression(max_iter=1000)result = cross_val_score(model , X , y , cv=loocv)
resultresult.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

sklearn kfold_sklearn函数：cross_val_score（交叉验证评分）相关推荐

sklearn中的cross_val_score交叉验证
cross_val_score交叉验证 1.0 注意事项 1. 参数cv代表分成几折,其中cv-1折用于训练,1折用于测试 2. cv数值最大 = 数据集总量的1/3 3. 关于参数scoring:1 ...
R语言使用caret包的train函数构建xgboost模型(基于linear算法)模型构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
R语言使用caret包的train函数构建xgboost模型(基于linear算法)模型构建分类模型.trainControl函数设置交叉验证参数.自定义调优评估指标.tuneLength参数和tun ...
R语言使用caret包的train函数构建xgboost模型(基于gbtree算法)模型构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
R语言使用caret包的train函数构建xgboost模型(基于gbtree算法)模型构建分类模型.trainControl函数设置交叉验证参数.自定义调优评估指标.tuneLength参数和tun ...
R语言使用caret包的train函数构建多项式核SVM模型(多项式核函数)模型构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
R语言使用caret包的train函数构建多项式核SVM模型(多项式核函数)模型构建分类模型.trainControl函数设置交叉验证参数.自定义调优评估指标.tuneLength参数和tuneGri ...
R语言使用caret包的train函数构建xgboost模型(基于dart算法)模型构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
R语言使用caret包的train函数构建xgboost模型(基于dart算法)模型构建分类模型.trainControl函数设置交叉验证参数.自定义调优评估指标.tuneLength参数和tuneG ...
R语言使用caret包的train函数构建惩罚判别分析模型（pda）构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
R语言使用caret包的train函数构建惩罚判别分析模型(pda)构建分类模型.trainControl函数设置交叉验证参数.自定义调优评估指标.tuneLength参数和tuneGrid参数超参数 ...
python cross val score_sklearn函数：cross_val_score（交叉验证评分）
sklearn.model_selection.cross_val_score(estimator,X,y=None,*,groups=None,scoring=None,cv=None,n_jobs ...
sklearn K折(KFold)交叉验证案例，展开细节代码与cross_validate简写
文章目录一.通常的随机森林模型代码二.K折交叉验证的随机森林代码 1. 切分方式:随机切分 2.切分方式:不均衡数据集下按比例切分三.KFold的简便写法四.随机森林预测与KFold交叉验证完 ...
使用libsvm中的svm_cross_validation函数进行交叉验证
from:https://blog.csdn.net/tao1107291820/article/details/51581322 在libsvm的使用中,为了得到更好的c.gama参数,可以通过多次 ...
crossvalind函数（交叉验证函数）
crossvalind是cross-valindation的缩写,意即交叉检验. 常用的形式有: ①Indices =crossvalind('Kfold', N, K) ②[Train, Tes ...

sklearn kfold_sklearn函数：cross_val_score（交叉验证评分）

sklearn kfold_sklearn函数：cross_val_score（交叉验证评分）相关推荐

最新文章

热门文章