如何使用sklearn.cross_validation.cross_val_score获得拟合参数

Question

文档提供了这个例子:

>>> clf = svm.SVC(kernel='linear', C=1)
>>> scores = cross_validation.cross_val_score(
...    clf, iris.data, iris.target, cv=5)
...
>>> scores                                              
array([ 0.96...,  1.  ...,  0.96...,  0.96...,  1.        ])

分数本身有什么好处?有没有一种方法可以得到表现最好的模型的参数?

Answer 1

如果你想做模型选择，你可能正在寻找另一种方法:grid_search.GridSearchCV，请参阅这里的文档

更具体地说，cross_validation.cross_val_score只计算一个交叉验证的分数，这意味着你不改变模型的参数，你只改变用于训练和测试模型的数据。

grid_search.GridSearchCV所做的是计算网格中每个点的交叉验证分数，即每组参数。这允许您选择最佳参数集，即得分最高的参数集。

在AGS的回答中，clf应该是:

clf = GridSearchCV(SVC(C=1), tuned_parameters, cv=5,
                   scoring='%s_weighted' % score)