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)
[源码]
通过交叉验证评估准确率
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| estimator | estimator object implementing ‘fit’ 用于拟合数据的对象。 |
| X | array-like of shape (n_samples, n_features) 用于拟合的数据。例如可以是一个列表或数组。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs), default=None 在监督学习的情况下要尝试预测的目标变量。 |
| groups | array-like of shape (n_samples,), default=None 将数据集切分为训练集或测试集时使用的样本的分组标签。仅与“ Group” cv 实例（例如 GroupKFold）结合使用。 |
| scoring | 一个str(参见模型评估文档)或一个信息为scorer(estimator, X, y)的可调用对象或函数的评分器，它应该只返回一个值。与 cross_validate类似， 但只允许使用一个指标。如果为None，则使用估计器的默认评分器（如果可用）。 |
| cv | int, cross-validation generator or an iterable, default=None 确定交叉验证切分策略。cv值可以输入： - None，默认使用5折交叉验证 - int，用于指定 (Stratified)KFold的折数- CV splitter, - 可迭代输出训练集和测试集的切分作为索引数组 对于int或 None输入，如果估计器是分类器，并且 y是二分类或多分类，则使用StratifiedKFold。在所有其他情况下，均使用KFold。有关可在此处使用的各种交叉验证策略，请参阅用户指南。 在版本0.22中：如果 cv为None，默认从3折更改为5折。 |
| n_jobs | int, default=None 用于进行计算的CPU数量。 None除非在joblib.parallel_backend环境中，否则表示1 。 -1表示使用所有处理器。有关更多详细信息，请参见词汇表。 |
| verbose | int, default=0 详细程度。 |
| fit_params | dict, default=None 传递给估计器fit方法的参数。 |
| pre_dispatch | int or str, default=’2*n_jobs’ 控制在并行执行期间分派的CPU内核数。当调度的CPU内核数量超过CPU的处理能力时，减少此数量可能有助于避免内存消耗激增。该参数可以是： - None,在这种情况下，所有CPU内核都将立即创建并产生，使它进行轻量级和快速运行的任务，以避免因按需生成作业而造成延迟 -int,给出所产生的总CPU内核数的确切数量 -str,根据n_jobs给出表达式，如'2*n_jobs' |
| error_score | ‘raise’ or numeric, default=np.nan 估计器拟合出现错误时，分配给分数的值。如果设置为“ raise”，则会引发错误。如果给出数值，则引发FitFailedWarning。此参数不会影响重新拟合步骤，这将总是引发错误。 0.20版中的新功能。 |
| 返回值 | 说明 |
|---|---|
| scores | array of float, shape=(len(list(cv)),) 每次交叉验证运行时估算器得分的数组。 |
另见：
sklearn.model_selection.cross_validate在多个指标上进行交叉验证，并返回训练集准确率、拟合时间和评分时间。
sklearn.model_selection.cross_val_predict从交叉验证的每个切分中获取预测，用于诊断。
sklearn.metrics.make_scorer根据绩效指标或损失函数确定评分器。
>>> 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]
