交叉验证cross_val_score

原创

已于 2024-10-08 12:11:48 修改 · 996 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

于 2023-01-01 14:16:27 首次发布

交叉验证用于评估模型稳定性，通过将数据分为n份并轮流做训练和测试。在回归树示例中，使用sklearn的DecisionTreeRegressor和cross_val_score函数，以均方误差为评价标准进行10折交叉验证。回归树没有分类树中的class_weight参数，criterion可以选择mse、friedman_mse或mae来衡量误差。

回归树：交叉验证

本文仅用作学习记录及分享，有不对的地方还请指正，谢谢！
交叉验证是用来观察模型的稳定性的一种方法，我们将数据划分为n份，依次使用其中一份作为测试集，其他n-1份作为训练集，多次计算模型的精确性来评估模型的平均准确程度。训练集和测试集的划分会干扰模型的结果，因此用交叉验证n次的结果求出的平均值，是对模型效果的一个更好的度量。

简单来看看回归树是怎么样工作的

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

boston = load_boston()
reg = DecisionTreeRegressor(random_state=0)
cross_val_score(regressor,boston.data,boston.target,cv=10，scoring =