这看起来很基本，但我看不出以下两种方法之间的区别和优缺点：
第一种方式：
kf = KFold(n_splits=2)
for train_index, test_index in kf.split(X):
X_train, X_test = X.iloc[train_index], X.iloc[test_index]
y_train, y_test = y.iloc[train_index], y.iloc[test_index]
clf.fit(X_train, y_train)
clf.score(X_test, y_test)
第二种方式：
cross_val_score(clf, X, y, cv=2)
这两种方式似乎做了同样的事情，第二种方式更短(一行(。
我错过了什么？
每种方式的区别、优点或缺点是什么？
可以说，看到这种差异的最好方法是进行实验，尽管这里的情况很容易辨别：
CCD_ 1处于循环中；因此，在循环执行之后，它只包含最后一个验证折叠中的分数，忘记了之前在k-1折叠中所做的一切。
另一方面，cross_cal_score返回所有k折叠的分数。它通常是可取的，但它缺少shuffle选项(洗牌总是可取的(，因此您需要首先手动洗牌数据，如图所示，或者将其与cv=KFold(n_splits=k, shuffle=True)一起使用。
for循环+kfold方法的一个缺点是它是串行运行的，而cross_val_score中的CV过程可以用clf.score0参数在多个核中并行化。
cross_val_score的一个限制是它不能与多个度量一起使用，但即使在这种情况下，您也可以使用cross_validate，如本线程所示，而不必使用for + kfold。
在for循环中使用kfold为cross_val_score和cross_validate都不足够的情况提供了额外的灵活性，例如，在训练期间使用Keras的scikit学习包装器，同时仍然获得本地Keras返回的所有度量，如这里所示；或者，如果您想将不同的折叠永久存储在单独的变量/文件中，如图所示。
简而言之：
- 如果您只想要单个度量的分数，请坚持使用
cross_val_score(先洗牌并并行( - 如果需要多个度量，请使用
cross_validate(同样，先混洗并并行化( - 如果您需要对整个CV过程进行更大程度的控制或监控，请相应地在
for循环中恢复使用kfold