【机器学习】sk-learn的模型选择 (sklearn.model_selection) 可以做什么？

scikit-learn（简称 sklearn）中的模型选择模块 (sklearn.model_selection) 提供了一系列工具，用于帮助开发者选择合适的模型及其超参数。这些工具可以帮助避免过拟合，提升模型的泛化能力，并确保模型在未知数据上的表现良好。以下是 sklearn.model_selection 模块的主要功能：

1. 数据集划分（Data Splitting）

train_test_split

将数据集划分为训练集和测试集。这有助于评估模型在未见过的数据上的性能。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. 交叉验证（Cross-Validation）

K折交叉验证（KFold）

将数据集分割为K个子集，在K次迭代中每次使用一个子集作为测试集，其余子集作为训练集。

from sklearn.model_selection import KFold
kf = KFold(n_splits=5, shuffle=True, random_state=42)
for train_index, test_index in kf.split(X)