2018/12/21 新知识

1.参考：https://blog.csdn.net/zs15321583801/article/details/79677035

cross_val_score(model_name, X,y， cv=k)

作用：验证某个模型在某个训练集上的稳定性，输出k个预测精度。

K折交叉验证（k-fold）

把初始训练样本分成k份，其中（k-1）份被用作训练集，剩下一份被用作评估集，这样一共可以对分类器做k次训练，并且得到k个训练结果。

output:每次验证的分数。

（1)scoring参数

参考：https://blog.csdn.net/qq_32590631/article/details/82831613

1）分类问题：

常用的是 ‘precision’ 和 ’recall‘ 和 ’f1；

假设这是一个二元分类的问题

准确率（precision）也就是被分类器检测到的数据中 分类正确的部分

召回率（recall）就是 正类中被分类正确的部分

而F1值就是 准确率和召回率的调和平均数

在实际应用中，如果是做搜索类的问题，那就是在保证召回率的情况下提升准确率

在做垃圾邮件检测之类的问题，就是要保证准确率的情况下提升召回率

具体也就是遇到具体问题看两者的权衡

如果两者都要求高，那就需要保证较高的F1 score

2）回归问题

比较常用的是 'neg_mean_squared_error‘ 也就是 均方差回归损失

该统计参数是预测数据和原始数据对应点误差的平方和的均值

2.参考：https://blog.csdn.net/qq_39422642/article/details/78566763

模型融合