为什么 LogisticRegressionCV 的 .score() 与 cross_val_score 不同？
Why does LogisticRegressionCV's .score() differ from cross_val_score?
我使用 LogisticRegressionCV 的 .score() 方法为我的模型生成准确度分数。
我还使用 cross_val_score 通过 相同的 cv 拆分 (skf) 得出了准确度分数，希望出现相同的分数。
但是，唉，它们是不同的，我很困惑。
我第一次做了分层折叠：
skf = StratifiedKFold(n_splits = 5,
shuffle = True,
random_state = 708)
之后，我用 skf 作为 CV 参数的参数实例化了一个 LogisticRegressionCV()，在训练集上进行了拟合和评分。
logreg = LogisticRegressionCV(cv=skf, solver='liblinear')
logreg.fit(X_train_sc, y_train)
logreg.score(X_train_sc, y_train)
这给了我 0.849507735583685 的分数，这是默认的准确性。由于这是 LogisticRegressionCV，这个分数实际上是平均准确度分数对吗？
然后我用了cross_val_score:
cross_val_score(logreg, X_train_sc, y_train, cv=skf).mean()
这给了我 0.8227814439082044 的平均准确度分数。
我有点困惑为什么分数不同，因为我认为我基本上在做同样的事情。
[.score] is actually the mean accuracy score right?
没有。这里的score方法是最终分类器的准确率得分（在整个训练集上重新训练，使用正则化强度的最优值）。通过再次在训练集上对其进行评估，您将获得 optimistically-biased 对未来表现的估计。
要恢复 cross-validation 分数，您可以使用属性 scores_。即使折叠相同，如果求解器没有完全收敛，这些 可能 与 cross_val_score 略有不同。
我使用 LogisticRegressionCV 的 .score() 方法为我的模型生成准确度分数。
我还使用 cross_val_score 通过 相同的 cv 拆分 (skf) 得出了准确度分数，希望出现相同的分数。
但是，唉，它们是不同的，我很困惑。
我第一次做了分层折叠：
skf = StratifiedKFold(n_splits = 5,
shuffle = True,
random_state = 708)
之后，我用 skf 作为 CV 参数的参数实例化了一个 LogisticRegressionCV()，在训练集上进行了拟合和评分。
logreg = LogisticRegressionCV(cv=skf, solver='liblinear')
logreg.fit(X_train_sc, y_train)
logreg.score(X_train_sc, y_train)
这给了我 0.849507735583685 的分数，这是默认的准确性。由于这是 LogisticRegressionCV，这个分数实际上是平均准确度分数对吗？
然后我用了cross_val_score:
cross_val_score(logreg, X_train_sc, y_train, cv=skf).mean()
这给了我 0.8227814439082044 的平均准确度分数。
我有点困惑为什么分数不同，因为我认为我基本上在做同样的事情。
[
.score] is actually the mean accuracy score right?
没有。这里的score方法是最终分类器的准确率得分（在整个训练集上重新训练，使用正则化强度的最优值）。通过再次在训练集上对其进行评估，您将获得 optimistically-biased 对未来表现的估计。
要恢复 cross-validation 分数，您可以使用属性 scores_。即使折叠相同，如果求解器没有完全收敛，这些 可能 与 cross_val_score 略有不同。