# 转换成95%的置信区间

# 设置管道参数
            model.set_params(StandardScaler__with_mean=s) # 标准化的时候是否要中心化
            model.set_params(Poly__degree=d) # 多项式拓展的阶数
            model.set_params(LinearRegression__fit_intercept=r) # 回归的时候是否考虑截距 
            # cross-validation 训练
            cv_results = cross_validate(model, x_train, y_train, cv=5,return_train_score=False)
            # 输出cross_validation结果 
            print(cv_results['test_score'])
            # 转换成95%的置信区间
            scores = cv_results['test_score']
            print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
            ical +=1
 ———————————————— 

 

 

 

一文快速搞懂对95%置信区间的理解

 

综合知乎上各大神的解答和网络资料得到本文对95%置信区间的理解

---

先给出结论

• 最常出现的对置信区间的错误理解：

在95%置信区间内，有95%的概率包括真实参数  （错误！！）

在95%置信区下构建的模型，意味着模型参数对于试图近似的函数有95%的概率是真实值的估计值（错误！！）

• 正确解释应为：

95%置信区间，意味着如果你用同样的步骤，去选样本，计算置信区间，那么100次这样的独立过程，有95%的概率你计算出来的区间会包含真实参数值，即大概会有95个置信区间会包含真值。

而对于某一次计算得到的某一个置信区间，其包含真值的概率，我们无法讨论。

 

我们平常使用的频率学派（frequentist）95% 置信区间的意思并不是真值在这个区间内的概率是 95%。真值要么在，要么不在。由于在频率学派当中，真值是一个常数，而非随机变量（后者是贝叶斯学派） ，所以我们不对真值做概率描述。对于这个问题来说，理解的关键是我们是对这个构造置信区间的方法做概率描述，而非真值，也非我们算得的这个区间本身。

换言之，我们可以说，如果我们重复取样，每次取样后都用这个方法构造置信区间，有 95% 的置信区间会包含真值 。然而（在频率学派当中）我们无法讨论其中某一个置信区间包含真值的概率。