重写交叉验证，实现多模型简单的回归融合算法

一、cross_val_predict()简介

sklean中常见的关于交叉验证的方法主要有cross_val_predict()和cross_val_score()。在具体回归场景使用的时候，这两个函数还是有些不同：
1、cross_val_predict()会返回和样本数量一致的数组，如你要交叉验证的样本有10个，标签肯定也是10个，predict交叉验证返回的就是10个预测值；
2、cross_val_score()会根据具体参数scroing的取值返回一个序列，序列的数量等于cv值，比如scoring=neg_mean_squre_error，且采用的是10折交叉验证，返回的序列中就有10个值neg_mse的值；
3、cross_val_predict()其实是将数据集划分cv份之后，每一份都做一次且只做一次测试样本，这样每个样本都会有且只有一个预测值，放在一起就是cross_val_predict()的返回值；但是cross_val_score()却不同，它是将数据集划分cv份之后，每一份在做且只做一次测试集的时候，对应会产生对应的mse值，因此会有cv个mse值，放在一起就是cross_val_score()的返回值；
4、由于回归模型一般都使用mse(rmse)，所以一般都是取cross_val_score()返回值的平均值作为模型评价的标准，可能考虑到这个平均后的mse是经历了每一折样本运算的洗礼，所以比较认可这个mse作为生态效度的评价指标，反观cross_val_predict(),可能考虑其仅是一个预测的参考，沾染原始数据的先验信息较多，所以sklean不推荐使用它作为模型泛化性能的参考。
5、在有些场景下，比如小数据集要进行基于回归的、基于多模型的决策级融合算法的时候，由于没法用到具体交叉验证中对于每一折运算的详细情况，就需要重写交叉验证了。

二、重写交叉验证

1、这个函数功能其实就是得到输入样本分成cv份的index字典：

def get_split_index(sample_row, cv_num):
    index_pool = np.arange(0, sample_row, 1)
    # 这里的part_number向上取整，当然也可以向下取整
    part_number = int(np.ceil(sample_row / cv_num))
    split_part = dict(keys=np.arange(0, cv_num, 1))
    for i in np.arange(0