用cross_val_score计算的指标与从cross_val_predict年开始计算的相同指标有何不同(用于获取预测，然后提供给指标函数(？
下面是一个示例：
from sklearn import cross_validation
from sklearn import datasets
from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
iris = datasets.load_iris()
gnb_clf = GaussianNB()
# compute mean accuracy with cross_val_predict
predicted = cross_validation.cross_val_predict(gnb_clf, iris.data, iris.target, cv=5)
accuracy_cvp = metrics.accuracy_score(iris.target, predicted)
# compute mean accuracy with cross_val_score
score_cvs = cross_validation.cross_val_score(gnb_clf, iris.data, iris.target, cv=5)
accuracy_cvs = score_cvs.mean()
print('Accuracy cvp: %0.8fnAccuracy cvs: %0.8f' % (accuracy_cvp, accuracy_cvs))
在这种情况下，我们得到相同的结果：
Accuracy cvp: 0.95333333
Accuracy cvs: 0.95333333
然而，情况似乎并非总是如此，就像在官方文档中编写的那样(关于使用 cross_val_predict 计算的结果(：
请注意，此计算的结果可能略有不同 从使用cross_val_score获得的元素中，因为元素被分组 以不同的方式。
想象一下跟随标签和拆分
[010|101|10]
所以你有 8 个数据点，每个类 4 个，你把它分成 3 个折叠，导致 2 个包含 3 个元素和一个包含 2 个元素的折叠。现在让我们假设在交叉验证期间，您得到以下 pred
[010|100|00]
因此，您的分数是 [100%、67%、50%]，交叉 Val 分数(平均(约为 72%。现在，准确性如何优于预测？你显然有 6/8 的事情是正确的，因此 75%。如您所见，分数是不同的，即使它们都依赖于交叉验证。在这里，差异的出现是因为分割的大小不完全相同，因此最后一个"50%"实际上降低了总分，因为它是仅 2 个样本的平均值(其余的基于 3(。
一般来说，可能还有其他类似的现象 - 它应该归结为平均的计算方式。因此 - 交叉价值分数是平均值的平均值，不一定是交叉验证预测的平均值。
除了 lejlot 的答案之外，在 cross_val_score 和 cross_val_predict 之间可能得到略有不同的结果的另一种方式是，当目标类的分布方式不允许它们在折叠之间均匀分配时。
根据 cross_val_predict 的文档，如果估计器是分类器，y 是二进制或多类，则默认使用 StratifiedKFold。这可能会导致这样一种情况：即使数据集中的实例总数可被折叠数整除，您最终也会得到大小略有不同的折叠，因为拆分器是根据目标的存在进行拆分的。这可能会导致平均值与总体平均值略有不同的问题。
例如，如果您有 100 个数据点，其中 33 个是目标类，那么KFold with n_splits=5 会将其拆分为 5 个折叠，每 20 个观测值，但StratifiedKFold不一定会为您提供大小相等的折叠。