Question

我正在努力学习使用scikit-learn进行一些基本的统计学习任务。我以为我已经成功创建了一个适合我的数据的LinearRegression模型：

X_train, X_test, y_train, y_test = cross_validation.train_test_split(
    X, y,
    test_size=0.2, random_state=0)

model = linear_model.LinearRegression()
model.fit(X_train, y_train)
print model.score(X_test, y_test)

哪个收益率：

0.797144744766

然后我想通过自动交叉验证进行多个类似的4：1拆分：

model = linear_model.LinearRegression()
scores = cross_validation.cross_val_score(model, X, y, cv=5)
print scores

我得到这样的输出：

[ 0.04614495 -0.26160081 -3.11299397 -0.7326256  -1.04164369]

交叉验证分数如何与单个随机分组的分数如此不同？他们都应该使用r2评分，如果我将scoring='r2'参数传递给cross_val_score，结果会相同。

我为random_state cross_validation.train_test_split参数尝试了许多不同的选项，它们都在0.7到0.9的范围内给出相似的分数。

我正在使用sklearn版本0.16.1

Answer 1

事实证明，我的数据是按不同类的块排序的，默认情况下cross_validation.cross_val_score选择连续拆分而不是随机（混乱）拆分。我能够通过指定交叉验证应该使用混洗拆分来解决这个问题：

model = linear_model.LinearRegression()
shuffle = cross_validation.KFold(len(X), n_folds=5, shuffle=True, random_state=0)
scores = cross_validation.cross_val_score(model, X, y, cv=shuffle)
print scores

给出了：

[ 0.79714474  0.86636341  0.79665689  0.8036737   0.6874571 ]

这符合我的预期。

Answer 2

train_test_split似乎生成数据集的随机拆分，而cross_val_score使用连续集，即

＆＃34;当cv参数是一个整数时，cross_val_score默认使用KFold或StratifiedKFold策略＆＃34;

http://scikit-learn.org/stable/modules/cross_validation.html

取决于数据集的性质，例如在一个片段的长度上高度相关的数据，连续的集合将给出与例如来自整个数据集的随机样本。

Answer 3

伙计们，感谢这个帖子。

上面答案中的代码（施耐德）已经过时了。

从scikit-learn == 0.19.1开始，这将按预期工作。

from sklearn.model_selection import cross_val_score, KFold
kf = KFold(n_splits=3, shuffle=True, random_state=0)
cv_scores = cross_val_score(regressor, X, y, cv=kf)

最佳，

微米。

使用scikit-learn LinearRegression进行意外的交叉验证评分

3 个答案: