sklearn.model_selection.cross_val_score?
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)
[源碼]
通過交叉驗證評估準確率
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| estimator | estimator object implementing ‘fit’ 用于擬合數據的對象。 |
| X | array-like of shape (n_samples, n_features) 用于擬合的數據。例如可以是一個列表或數組。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs), default=None 在監督學習的情況下要嘗試預測的目標變量。 |
| groups | array-like of shape (n_samples,), default=None 將數據集切分為訓練集或測試集時使用的樣本的分組標簽。僅與“ Group” cv 實例（例如 GroupKFold）結合使用。 |
| scoring | 一個str(參見模型評估文檔)或一個信息為scorer(estimator, X, y)的可調用對象或函數的評分器，它應該只返回一個值。與 cross_validate類似， 但只允許使用一個指標。如果為None，則使用估計器的默認評分器（如果可用）。 |
| cv | int, cross-validation generator or an iterable, default=None 確定交叉驗證切分策略。cv值可以輸入： - None，默認使用5折交叉驗證 - int，用于指定 (Stratified)KFold的折數- CV splitter, - 可迭代輸出訓練集和測試集的切分作為索引數組 對于int或 None輸入，如果估計器是分類器，并且 y是二分類或多分類，則使用StratifiedKFold。在所有其他情況下，均使用KFold。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。 在版本0.22中：如果 cv為None，默認從3折更改為5折。 |
| n_jobs | int, default=None 用于進行計算的CPU數量。 None除非在joblib.parallel_backend環境中，否則表示1 。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。 |
| verbose | int, default=0 詳細程度。 |
| fit_params | dict, default=None 傳遞給估計器fit方法的參數。 |
| pre_dispatch | int or str, default=’2*n_jobs’ 控制在并行執行期間分派的CPU內核數。當調度的CPU內核數量超過CPU的處理能力時，減少此數量可能有助于避免內存消耗激增。該參數可以是： - None,在這種情況下，所有CPU內核都將立即創建并產生，使它進行輕量級和快速運行的任務，以避免因按需生成作業而造成延遲 -int,給出所產生的總CPU內核數的確切數量 -str,根據n_jobs給出表達式，如'2*n_jobs' |
| error_score | ‘raise’ or numeric, default=np.nan 估計器擬合出現錯誤時，分配給分數的值。如果設置為“ raise”，則會引發錯誤。如果給出數值，則引發FitFailedWarning。此參數不會影響重新擬合步驟，這將總是引發錯誤。 0.20版中的新功能。 |
| 返回值 | 說明 |
|---|---|
| scores | array of float, shape=(len(list(cv)),) 每次交叉驗證運行時估算器得分的數組。 |
另見：
sklearn.model_selection.cross_validate在多個指標上進行交叉驗證，并返回訓練集準確率、擬合時間和評分時間。
sklearn.model_selection.cross_val_predict從交叉驗證的每個切分中獲取預測，用于診斷。
sklearn.metrics.make_scorer根據績效指標或損失函數確定評分器。
>>> from sklearn import datasets, linear_model
>>> from sklearn.model_selection import cross_val_score
>>> diabetes = datasets.load_diabetes()
>>> X = diabetes.data[:150]
>>> y = diabetes.target[:150]
>>> lasso = linear_model.Lasso()
>>> print(cross_val_score(lasso, X, y, cv=3))
[0.33150734 0.08022311 0.03531764]
