当评分设置为 r2_score 指标时，我试图理解存储在 Scikit-Learn 的 RidgeCV 的 cv.values_ 对象中的值。
根据 documentation 的 Scikit-Learn 的 RidgeCV 函数，当 store_cv_values=True 时：
每个 alpha 的交叉验证值（仅在 store_cv_values=True 和 cv=None 时可用）。调用 fit() 后，此属性将包含均方误差（默认情况下）或 {loss,score}_func 函数的值（如果在构造函数中提供）。
虽然我对 RidgeCV 的原生广义交叉验证如何工作的细节有些不清楚，但如果它确实是留一法交叉验证的近似值，那么 cv_values 对象似乎代表的是 ' r2_score' 用于单个（遗漏）样本...除了 r2_score 不适用于单个样本。当 score 设置为 r2_score 时，cv_values 对象中返回什么？
【问题讨论】：
标签： python scikit-learn
更新：经过一些帮助后，这里的谜团似乎已部分解决，并指出 RidgeCV 函数的 sklearn 文档中存在错误。如果提供了评分参数，则 cv_values_ 对象返回每个点的预测。 （如果未提供评分参数，则该对象将按照每点平方误差的规定返回。）
来自source code：
【讨论】：
简而言之，这种广义交叉验证对整个训练集进行留一式预测，然后将评分函数应用于这些预测（而不是先评分然后平均）。
您可以看到in the code，尽管它被 IdentityRegressor/Classifier 混淆了一点。该行实际上只是通过输入predictions_ 和y_ 来查找分数。几行你可以看到他们在哪里生成预测：这就是他们使用技巧的地方，使广义交叉验证成为在岭回归的上下文中进行 Leave-One-Out 的有效方法。如果你有兴趣，the docs 链接到一些 a report 和 course slides 描述为什么/如何实际工作。
【讨论】：
cv_values_ 提前几行设置，之后就没有改变；并且它被设置为作为预测，与评分函数无关。我用一个完全线性相关的数据集和非常小的 alpha 对此进行了测试，看起来确实如此，尽管内部预测似乎是基于数据的中心版本。