几种常用交叉验证（cross validation）方式的比较

模型评价的目的：通过模型评价，我们知道当前训练模型的好坏，泛化能力如何。

train_test_split

在分类问题中，我们通常通过对训练集进行train_test_split，划分成train 和test 两部分，其中train用来训练模型，test用来评估模型，模型通过fit方法从train数据集中学习，然后调用score方法在test集上进行评估，打分；从分数上我们可以知道 模型当前的训练水平如何。

"""
train_test_split 验证方法
"""
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

cancer = load_breast_cancer()
# 划分数据
X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, random_state=0)
# ml .fit方法进行学习
logreg = LogisticRegression().fit(X_train,y_train)
print("Test set score: {:.2f}".format(logreg.score(X_test, y_test)))

result:

Test set score: 0.96

train_test_split(train_data, train_target,random_state=0) 参数解答
train_data:  被划分的样本特征集 
train_target:被划分的标签 都是array形式
random_state: 随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。
比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

train_test_split 这种方法只进行了一次划分，数据结果具有偶然性，如果在某次划分中，训练集里全是容易学习的数据， 测试集里全是复杂的数据，这样就会导致最终的结果不尽如意；反之，亦是如此。

K-Fold Cross-validation k折交叉验证

简言之，就是进行多次train_test_split划分；每次划分时，在不同的数据集上进行训练、测试评估，从而得出一个评价结果；如果是5折交叉验证，意思就是在原始数据集上，进行5次划分，每次划分进行一次训练、评估，最后得到5次划分后的评估结果，一般在这几次评估结果上取平均得到最后的评分。k-fold cross-validation ，其中，k一般取5或10。

"""
K-Fold 交叉验证方法
"""
from sklearn.model_selection import cross_val_score,KFold
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression

cancer = load_breast_cancer()
logreg = LogisticRegression()

# 进行交叉验证得分计算 默认是3折通过cv参数改变 CV>=2，默认评价函数scoring为'f1_macro'，可以修改
kf = KFold(n_splits=