25、Python 数据科学与 FastAPI 高效预测 API 构建

Python 数据科学与 FastAPI 高效预测 API 构建

1. 数据科学基础与交叉验证

在数据科学领域，我们常常需要对模型进行评估和验证。以手写数字识别为例，我们可以使用交叉验证技术来更准确地评估模型性能。交叉验证允许我们充分利用训练集和测试集的数据，避免因单次划分数据而导致的评估偏差。

以下是使用 scikit-learn 进行交叉验证的代码示例：

from sklearn.datasets import load_digits
from sklearn.model_selection import cross_val_score
from sklearn.naive_bayes import GaussianNB

digits = load_digits()
data = digits.data
targets = digits.target

# 创建模型
model = GaussianNB()

# 运行交叉验证
score = cross_val_score(model, data, targets)

print(score)
print(score.mean())

在上述代码中， cross_val_score 函数会自动将数据划分为多个折叠（默认是 5 折），并对每个折叠进行训练和测试，最后返回每个折叠的准确率得分。通过计算这些得分的平均值，我们可以得到一个更具统计意义的模型性能指标。

运行上述代码，可能会得到类似如下的输出：