如何利用sklearn.cross_validation.cross_val_score获得拟合参数？

Question

文档提供了以下示例：

>>> 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.        ])

这些分数本身有什么用？有什么方法可以获得性能最好的模型的参数吗？

Answer 1

如果要进行模型选择，您可能正在寻找另一种方法：grid_search.GridSearchCV，请参阅文档这里

更具体地说，cross_validation.cross_val_score只计算交叉验证的分数，这意味着您不改变模型的参数，您只改变了用于训练和测试模型的数据。

grid_search.GridSearchCV正在做的是为网格中的每个点计算一个交叉验证的分数，即每一组参数。这允许您选择最佳的参数集，即得分最高的参数集。

因此，在AGS答复中，clf将是：

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

我认为这个例子与您想要做的非常相似。