cross_val_score 和 KFold 的区别

Question

我正在学习机器学习，我有这个疑问。谁能告诉我有什么区别：-

from sklearn.model_selection import cross_val_score

和

from sklearn.model_selection import KFold

我认为两者都用于 k 折交叉验证，但我不确定为什么要为同一功能使用两个不同的代码。如果有什么我想念的，请告诉我。（如果可能，请说明这两种方法的区别）

谢谢，

Answer 1

cross_val_score 是一个评估数据和 returns 分数的函数。
另一方面，KFold 是一个 class，可让您将数据拆分为 K 倍。

所以，这些是完全不同的。你可以制作 K 折数据并将其用于交叉验证，如下所示：

# create a splitter object
kfold = KFold(n_splits = 10)       
# define your model (any model)
model = XGBRegressor(**params)     
# pass your model and KFold object to cross_val_score
# to fit and get the mse of each fold of data
cv_score = cross_val_score(model,
                           X, y, 
                           cv=kfold, 
                           scoring='neg_root_mean_squared_error')
print(cv_score.mean(), cv_score.std())

Answer 2

cross_val_score 使用交叉验证评估分数，方法是将训练集随机分成不同的子集，称为 folds，然后它在折叠上训练和评估模型，每次选择不同的折叠进行评估，然后在其他折叠上进行训练。

cv_score = cross_val_score(model, data, target, scoring, cv)
KFold 过程将有限的数据集分成 k non-overlapping 折。 k 折中的每一个都有机会用作 held-back 测试集，而所有其他折一起用作训练数据集。在 k hold-out 个测试集上拟合并评估了总共 k 个模型，并报告了平均性能。

cv = KFold(n_splits=10, random_state=1, shuffle=True)

cv_score = cross_val_score(model, data, target, scoring, cv=cv)

其中 model 是您要评估的模型， data是训练数据， target是目标变量， scoring 参数控制应用于估算器的指标，cv 是拆分数。

cross_val_score 和 KFold 的区别

difference between cross_val_score and KFold

python

machine-learning

scikit-learn

cross-validation

k-fold