本文介绍了Python机器学习中的模型评估与优化方法，包括交叉验证法的种类和原理，如K折交叉验证、随机拆分和挨个试试法。通过实例详细讲解了交叉验证的使用，并讨论了网格搜索在模型参数优化中的应用，强调了GridSearchCV的优缺点。此外，还探讨了分类模型的可信度评估，如预测准确率和决定系数在模型评估中的作用。
1.使用交叉验证进行模型评估
在前面的内容中，我们常常使用train_test_split功能来讲数据集进行拆分成训练集和测试集，然后使用训练集来训练模型，再用模型去拟合测试数据集并对模型进行评分，来评估模型的准确度。除了这种方法之外，我们还可以用一种更加粗暴的方式来验证模型的表现，也就是本节要介绍的交叉验证法（cross validation）。
1.1交叉验证法的定义：
在统计学中，交叉验证法是一种非常常用的对于模型泛化性能进行评估的方法。和我们之前所用的train_test_split方法所不同的是，交叉验证法会反复地拆分数据集，并用来训练多个模型。所以我们说这种方法更加粗暴。
在scikit-learn中默认使用的是交叉验证法是K折叠交叉验证法（K-fold crossvalidation）。
1.2K折叠交叉验证法（K-fold crossvalidation）的定义：
它将数据集拆分成K个部分，再用K个数据集对模型进行训练和评分。例如我们令k=5，则数据集被拆分成5份，其中第一个子集会被作为测试数据集，另外四个用来训练模型。之后再用第2个子集作为测试集&#x
订阅专栏 解锁全文
365
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
