sklearn中的cross_val_score()函数参数

sklearn 中的cross_val_score函数可以用来进行交叉验证，因此十分常用，这里介绍这个函数的参数含义。

sklearn.model_selection.cross_val_score(estimator, X, y=None, 
cv=None, n_jobs=1, verbose=0, fit_params=None, pre_dispatch=‘2*n_jobs’)

其中主要参数含义：

estimator:估计方法对象(分类器)
X：数据特征(Features)
y：数据标签(Labels)
cv：几折交叉验证
n_jobs：同时工作的cpu个数（-1代表全部）

使用鸢尾花数据集运行实例：

from sklearn import datasets, svm
from sklearn.model_selection import cross_val_score
iris = datasets.load_iris()
X = iris.data
y = iris.target
SVC = svm.SVC()
print(cross_val_score(SVC, X, y, cv=5, scoring='accuracy'))  

运行结果：

[0.96666667  1.         0.96666667 0.96666667 1.        ]

结果中的五个值，代表五次交叉验证每次的结果，可使用mean函数输出其平均值。

scores.mean() 

注意的问题：
k折交叉验证的每一次验证中，每一份子集的数量可能不一致，例k=3时，子集大小为7 ，7，6，而每一份时的正确个数为6，5，4，这样其结果为[0.8571,0.7142,0.6667],三个数的均值为0.7460。
但是正确应为（6+5+4）/（7+7+6）=0.75
可以使用scoring = "precision_weighted"解决这一问题。

(20210416更新，感谢评论区大佬指正)