scikit学习GridSearchCV best_score_如何计算？

scikit学习GridSearchCV best_score_如何计算？

这是最佳估算器的平均交叉验证得分。让我们制作一些数据并修复交叉验证的数据划分。

>>> y = linspace(-5, 5, 200)>>> X = (y + np.random.randn(200)).reshape(-1, 1)>>> threefold = list(KFold(len(y)))

现在运行

cross_val_score

和

GridSearchCV

，它们都具有这些固定的折痕。

>>> cross_val_score(LinearRegression(), X, y, cv=threefold)array([-0.86060164,  0.2035956 , -0.81309259])>>> gs = GridSearchCV(LinearRegression(), {}, cv=threefold, verbose=3).fit(X, y) Fitting 3 folds for each of 1 candidates, totalling 3 fits[CV]  ................................................................[CV] ...................................... , score=-0.860602 -   0.0s[Parallel(n_jobs=1)]: Done   1 jobs       | elapsed:    0.0s[CV]  ................................................................[CV] ....................................... , score=0.203596 -   0.0s[CV]  ................................................................[CV] ...................................... , score=-0.813093 -   0.0s[Parallel(n_jobs=1)]: Done   3 out of   3 | elapsed:    0.0s finished

请注意

score=-0.860602

，

score=0.203596

并

score=-0.813093

在

GridSearchCV

输出;
完全由返回的值

cross_val_score

。

注意，“均值”实际上是褶皱的宏观平均值。该

iid

参数

GridSearchCV

可用于在样品上获得的微平均代替。