Python sklearn 交叉验证_pythonsklearn交叉验证-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_43385457/article/details/106046736

本文介绍了如何使用交叉验证来评估决策树回归器的性能，通过加载波士顿房价数据集，实例化决策树回归器，并应用交叉验证计算平均得分，展示了不同评分标准下回归模型的稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeRegressor

boston = load_boston()
regressor = DecisionTreeRegressor(random_state=0)  # 实例化

# 交叉验证有5个参数
# 第一个参数：可以是任何实例化后的算法模型；
# 第二个参数：不需要划分测试集和验证集的数据；第三个参数：完整的不需要划分的标签
# 第四个参数：把数据分为10份，默认是5，通常也选择5
# 第五个参数：scoring 返回的结果的类型，对于回归默认为r的平方，可选：neg_mean_squared_error
result = cross_val_score(regressor, boston.data, boston.target, cv=10)
print(result)

输出结果：

分析：

对于DecisionTreeRegressor，回归树接口 score 默认返回的是 $R^{2}$ ，有正有负

$R^{2}=1-\frac{u}{v}$ $u=\sum_{1=1}^{N}\left ( f_{i} -y_{i}\right )^{2}$ $v=\sum_{1=1}^{N}\left ( y_{i} -\hat{y}\right )^{2}$

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeRegressor

boston = load_boston()
regressor = DecisionTreeRegressor(random_state=0)  # 实例化

result = cross_val_score(regressor, boston.data, boston.target, cv=10, scoring='neg_mean_squared_error')
print(result)

结果：