模型评估与改进（一）// 交叉验证

1、划分训练集和测试集的意义？
回答：训练集用于构建和训练模型，可评估模型的拟合效果；测试集用于评估模型的泛化能力。通过比较训练集和测试集的score，可以判断模型是否存在过拟合或欠拟合问题。

2、交叉验证是什么？
回答：交叉验证（cross-validation)是一种评估给定算法在特定数据集上泛化性能的统计学方法，它有效减少了单次划分训练集和测试集方法的随机性对模型的影响，更加稳定、全面。交叉验证是参数调优的重要手段之一。

3、交叉验证的优缺点？
回答：①优点包括：其一，提供模型对训练集选择的敏感性信息；其二，对数据的使用更加高效，更多的数据通常可以得到更为精确的模型。②缺点是增加了计算成本。

4、交叉验证中常用的划分策略有哪些？
回答：划分策略包括K折交叉验证（KFold）、留一法交叉验证（leave-one-out）、打乱划分交叉验证（shuffle-split cross-validation)、分组交叉验证（GroupKFold）等等。在cross_val_score的参数cv中设置划分策略。

5、cross_val_score

from sklearn.model_selection import cross