Python机器学习基础教程

模型评估与改进

｜

195

logreg = LogisticRegression()

scores = cross_val_score(logreg, iris.data, iris.target)

print("Cross-validation scores: {}".format(scores))

Out[4]:

Cross-validation scores: [ 0.961 0.922 0.958]

默认情况下，cross_val_score 执行

3

折交叉验证，返回

3

个精度值。可以通过修改 cv 参

数来改变折数：

In[5]:

scores = cross_val_score(logreg, iris.data, iris.target, cv=5)

print("Cross-validation scores: {}".format(scores))

Out[5]:

Cross-validation scores: [ 1. 0.967 0.933 0.9 1. ]

总结交叉验证精度的一种常用方法是计算平均值：

In[6]:

print("Average cross-validation score: {:.2f}".format(scores.mean()))

Out[6]:

Average cross-validation score: 0.96

我们可以从交叉验证平均值中得出结论，我们预计模型的平均精度约为

96%

。观察

5

折交

叉验证得到的所有

5

个精度值，我们还可以发现，折与折之间的精度有较大的变化，范围 ...