这是最佳估算器的平均交叉验证得分。让我们制作一些数据并修复交叉验证的数据划分。
>>> y = linspace(-5, 5, 200)>>> X = (y + np.random.randn(200)).reshape(-1, 1)>>> threefold = list(KFold(len(y)))
现在运行
cross_val_score和
GridSearchCV，它们都具有这些固定的折痕。
>>> cross_val_score(LinearRegression(), X, y, cv=threefold)array([-0.86060164, 0.2035956 , -0.81309259])>>> gs = GridSearchCV(LinearRegression(), {}, cv=threefold, verbose=3).fit(X, y) Fitting 3 folds for each of 1 candidates, totalling 3 fits[CV] ................................................................[CV] ...................................... , score=-0.860602 - 0.0s[Parallel(n_jobs=1)]: Done 1 jobs | elapsed: 0.0s[CV] ................................................................[CV] ....................................... , score=0.203596 - 0.0s[CV] ................................................................[CV] ...................................... , score=-0.813093 - 0.0s[Parallel(n_jobs=1)]: Done 3 out of 3 | elapsed: 0.0s finished请注意
score=-0.860602，
score=0.203596并
score=-0.813093在
GridSearchCV输出;
完全由返回的值
cross_val_score。
注意，“均值”实际上是褶皱的宏观平均值。该
iid参数
GridSearchCV可用于在样品上获得的微平均代替。
