scikit learn中的
为了方便起见，当我使用带有cross_val_score的嵌套交叉验证时，我想知道GridSearch的结果。
使用cross_val_score时，会得到一个分数数组。接收拟合的估计器或该估计器的所选参数的摘要将是有用的。
我知道你可以自己做这件事，但只需手动实现交叉验证，但如果可以与cross_val_score一起完成，会方便得多。
有没有办法做到这一点，或者这是一个建议的功能？
GridSearchCV类已经在内部进行了交叉验证。您可以传递任何CV迭代器作为GridSearchCV构造函数的cv参数。
问题的答案是，这是一个值得推荐的功能。不幸的是，您无法使用cross_val_score（截至目前，scikit 0.14）获得适合嵌套交叉验证的模型的最佳参数
参见此示例：
from sklearn import datasets
from sklearn.linear_model import LinearRegression
from sklearn.grid_search import GridSearchCV
from sklearn.cross_validation import cross_val_score
digits = datasets.load_digits()
X = digits.data
y = digits.target
hyperparams = [{'fit_intercept':[True, False]}]
algo = LinearRegression()
grid = GridSearchCV(algo, hyperparams, cv=5, scoring='mean_squared_error')
# Nested cross validation
cross_val_score(grid, X, y)
grid.best_score_
[Out]:
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-4-4c4ac83c58fb> in <module>()
15 # Nested cross validation
16 cross_val_score(grid, X, y)
---> 17 grid.best_score_
AttributeError: 'GridSearchCV' object has no attribute 'best_score_'
（还要注意，你从cross_val_score中得到的分数不是scoring中定义的分数，这里是均方误差。你看到的是最佳估计器的分数函数。v0.14的错误在这里描述。）
在sklearn v0.20.0（将于2018年底发布）中，如果需要，函数cross_validate会暴露经过训练的估计量。
请参阅此处新功能的相应拉取请求。这样的东西会起作用：
from sklearn.metrics.scorer import check_scoring
from sklearn.model_selection import cross_validate
scorer = check_scoring(estimator=gridSearch, scoring=scoring)
cvRet = cross_validate(estimator=gridSearch, X=X, y=y,
scoring={'score': scorer}, cv=cvOuter,
return_train_score=False,
return_estimator=True,
n_jobs=nJobs)
scores = cvRet['test_score'] # Equivalent to output of cross_val_score()
estimators = cvRet['estimator']
如果是return_estimator=True，则可以从返回的字典中检索估计量作为cvRet['estimator']。存储在CCD_ 11中的列表相当于CCD_。请参见此处cross_val_score()是如何通过cross_validate()实现的。