交叉验证之前的知识：我们如何评估一个模型
当我们想要测试我们的模型效果怎么样的时候，最好的方法是在实际的样本当中进行测试，这样可以测试出模型的泛化误差，但是实际的样本是没有标签的，所以这是一个悖论，我们无法知道样本的泛化误差。
假如我们在我们训练模型的数据上面直接进行测试的话，结果会很好，会出现过拟合的方式，所以这样来进行模型评估也是不行的。
所以，测试我们模型的方法就需要把我们已有的数据分为两部分，一部分用进行模型的训练，我们把它叫做训练集，另外一部分专门用来训练，我们把它叫做测试集。
在python当中，使用train_test_split可以将数据分为训练集和测试集，下面使用鸢尾花数据集看一看
import numpy as np from sklearn.model_selection import train_test_split from sklearn import datasets from sklearn import svm iris = datasets.load_iris() print(iris.data.shape, iris.target.shape) X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.4, random_state=0) print(X_train.shape, y_train.shape) print(X_test.shape, y_test.shape) clf = svm.SVC(kernel=‘linear‘, C=1).fit(X_train, y_train) print( clf.score(X_test, y_test) )
输出结果如下，test_size可以接受一个浮点数来表示测试集的比例：
(150, 4) (150,) (90, 4) (90,) (60, 4) (60,) 0.966666666667
上面这种方法有一个名称，它叫做留出法（hold-out）。但是，出现了这么一个问题，对于有一些模型（当然并不是所有的），需要我们手动输入一些参数，比如上面svm当中的参数C，我们需要确定哪些参数是比较好的，假如还是使用训练集和测试集这样的划分，当我们调整参数的时候，测试集的结果也会发生变化，依然会出现过拟合的现象，我们的测试集不能够反应出来模型的泛化效果。
所以，我们再假如一个验证集，来验证哪一些参数是比较好的。最后数据集的划分划分变成了这样：训练集，验证集还有测试集。 训练集是为了进行模型的训练，验证集是为了进行参数的调整，测试集是为了看这个模型的好坏。
但是，上面的划分依然有问题，划分出来验证集还有测试集，那么我们的训练集会变小。并且还有一个问题，那就是我们的模型会随着我们选择的训练集和验证集不同而不同。所以这个时候，我们引入了交叉验证（cross-validation 简称cv）
交叉验证
交叉验证的基本思想是这样的：将数据集分为k等份，对于每一份数据集，其中k-1份用作训练集，单独的那一份用作测试集。
sklearn当中对于模型评估所使用的一些方法
cross_value_score
这个方法能够使用交叉验证来计算模型的评分情况，使用方法如下所示：
from sklearn import datasetsfrom sklearn import svmfrom sklearn.model_selection import cross_val_score iris = datasets.load_iris() clf = svm.SVC(kernel=‘linear‘, C=1)scores = cross_val_score(clf, iris.data, iris.target, cv=5) print(scores)
输出结果如下： [ 0.96666667 1. 0.96666667 0.96666667 1. ]
clf是我们使用的算法，
cv是我们使用的交叉验证的生成器或者迭代器，它决定了交叉验证的数据是如何划分的，当cv的取值为整数的时候，使用(Stratified)KFold方法。
你也可也使用自己的cv，如下所示：
from sklearn.model_selection import ShuffleSplit my_cv = ShuffleSplit(n_splits=3, test_size=0.3, random_state=0) scores = cross_val_score(clf, iris.data, iris.target, cv=my_cv)
还有一个参数是 scoring，决定了其中的分数计算方法。
如我们使用 scores = cross_val_score(clf, iris.data, iris.target, cv=5, scoring=‘f1_macro‘)
那么得到的结果将是这样的： [ 0.96658312 1. 0.96658312 0.96658312 1. ]
cross_validate
cross_validate方法和cross_validate有个两个不同点：它允许传入多个评估方法，可以使用两种方法来传入，一种是列表的方法，另外一种是字典的方法。最后返回的scores为一个字典，字典的key为[‘test_<scorer1_name>‘, ‘test_<scorer2_name>‘, ‘test_<scorer...>‘, ‘fit_time‘, ‘score_time‘]
下面是它的演示代码，当scoring传入列表的时候如下：
当scoring传入字典的时候如下：
cross_val_predict
cross_val_predict 和 cross_val_score的使用方法是一样的，但是它返回的是一个使用交叉验证以后的输出值，而不是评分标准。它的运行过程是这样的，使用交叉验证的方法来计算出每次划分为测试集部分数据的值，知道所有的数据都有了预测值。假如数据划分为[1,2,3,4,5]份，它先用[1,2,3,4]训练模型，计算出来第5份的目标值，然后用[1,2,3,5]计算出第4份的目标值，直到都结束为止。
sklearn中运用交叉验证进行数据集划分的方法
下面的函数是一些划分的策略，方便我们自己划分数据，并且我们假设数据是独立同分布的（iid）
KFold方法 k折交叉验证
k折交叉验证上面已经介绍过了，它的思想不是很复杂，python代码如下：
from sklearn.model_selection import KFold
import numpy as np
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4])
kf = KFold(n_splits=2)
for train_index, test_index in kf.split(X):
print(‘train_index‘, train_index, ‘test_index‘, test_index)
train_X, train_y = X[train_index], y[train_index]
test_X, test_y = X[test_index], y[test_index]
输出如下：
train_index [2 3] test_index [0 1] train_index [0 1] test_index [2 3]
通过KFold函数，我们可以很方便的得到我们所需要的训练集，还有测试集。
RepeatedKFold p次k折交叉验证
在实际当中，我们只进行一次k折交叉验证还是不够的，我们需要进行多次，最典型的是：10次10折交叉验证，RepeatedKFold方法可以控制交叉验证的次数。
from sklearn.model_selection import RepeatedKFold
import numpy as np
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4])
kf = RepeatedKFold(n_splits=2, n_repeats=2, random_state=0)
for train_index, test_index in kf.split(X):
print(‘train_index‘, train_index, ‘test_index‘, test_index)
输出结果如下：
train_index [0 1] test_index [2 3] train_index [2 3] test_index [0 1] train_index [1 3] test_index [0 2] train_index [0 2] test_index [1 3]
LeaveOneOut 留一法
留一法是k折交叉验证当中，k=n（n为数据集个数）的情形
from sklearn.model_selection import LeaveOneOut
X = [1, 2, 3, 4]
loo = LeaveOneOut()
for train_index, test_index in loo.split(X):
print(‘train_index‘, train_index, ‘test_index‘, test_index)
输出结果如下：
train_index [1 2 3] test_index [0] train_index [0 2 3] test_index [1] train_index [0 1 3] test_index [2] train_index [0 1 2] test_index [3]
留一法的缺点是：当n很大的时候，计算量会很大，因为需要进行n次模型的训练，而且训练集的大小为n-1。建议k折交叉验证的时候k的值为5或者10。
LeavePOut 留P法
基本原理和留一法一样，它会产生 
个训练集和测试集
from sklearn.model_selection import LeavePOut
X = [1, 2, 3, 4]
lpo = LeavePOut(p=2)
for train_index, test_index in lpo.split(X):
print(‘train_index‘, train_index, ‘test_index‘, test_index)
输出结果如下：
train_index [2 3] test_index [0 1] train_index [1 3] test_index [0 2] train_index [1 2] test_index [0 3] train_index [0 3] test_index [1 2] train_index [0 2] test_index [1 3] train_index [0 1] test_index [2 3]
ShuffleSplit 随机分配
使用ShuffleSplit方法，可以随机的把数据打乱，然后分为训练集和测试集。它还有一个好处是可以通过random_state这个种子来重现我们的分配方式，如果没有指定，那么每次都是随机的。
from sklearn.model_selection import ShuffleSplit
import numpy as np
X = np.arange(5)
ss = ShuffleSplit(n_splits=4, random_state=0, test_size=0.25)
for train_index, test_index in ss.split(X):
print(‘train_index‘, train_index, ‘test_index‘, test_index)
输出结果如下（因为指定了random_state的值，所以，当你运行这段代码的时候，你的结果和我的是一样的）：
train_index [1 3 4] test_index [2 0] train_index [1 4 3] test_index [0 2] train_index [4 0 2] test_index [1 3] train_index [2 4 0] test_index [3 1]
其它特殊情况的数据划分方法
1：对于分类数据来说，它们的target可能分配是不均匀的，比如在医疗数据当中得癌症的人比不得癌症的人少很多，这个时候，使用的数据划分方法有 StratifiedKFold ，StratifiedShuffleSplit
2：对于分组数据来说，它的划分方法是不一样的，主要的方法有 GroupKFold，LeaveOneGroupOut，LeavePGroupOut，GroupShuffleSplit
3：对于时间关联的数据，方法有TimeSeriesSplit
再说模型评估，另一种方法 自助法
我们刚开始介绍的留出法（hold-out）还有我们介绍的交叉验证法（cross validation），这两种方法都可以进行模型评估。当然，还有一种方法，那就是自助法（bootstrapping），它的基本思想是这样的，对于含有m个样本的数据集D，我们对它进行有放回的采样m次，最终得到一个含有m个样本的数据集D‘,这个数据集D‘会有重复的数据,我们把它用作训练数据。按照概率论的思想，在m个样本中，有1/e的样本从来没有采到，将这些样本即D\D‘当做测试集。具体的推到见周志华的机器学习2.2.3。自助法在数据集很小的时候可以使用，在集成学习的时候也有应用。
参考：
Cross-validation: evaluating estimator performance
机器学习 周志华
原文地址：https://www.cnblogs.com/jiaxin359/p/8552800.html