scikit 的交叉验证是如何工作的？答案

【问题标题】：How does scikit's cross validation work?scikit 的交叉验证是如何工作的？
【发布时间】：2014-09-07 00:09:44
【问题描述】：

我有以下sn-p：

print '\nfitting'
rfr = RandomForestRegressor(
    n_estimators=10,
    max_features='auto',
    criterion='mse',
    max_depth=None,
)
rfr.fit(X_train, y_train)


# scores
scores = cross_val_score(
    estimator=rfr,
    X=X_test,
    y=y_test,
    verbose=1,
    cv=10,
    n_jobs=4,
)
print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

1) 运行 cross_val_score 是否会对回归器进行更多训练？

2) 我需要传入一个训练有素的回归器还是只是一个新的回归器，例如estimator=RandomForestRegressor()。那么如何测试回归器的准确性，即我必须在 scikit 中使用另一个函数吗？

3) 我的准确率约为 2%。是MSE分数，越低越好，还是实际准确度。如果是实际准确度，您能解释一下吗，因为回归器如何准确预测一个范围是没有意义的。

【问题讨论】：

标签： python-2.7 scikit-learn random-forest cross-validation

【解决方案1】：

实际上它重新训练了估计器，k 次。
未经训练（或训练，但随后模型被删除，您只是在浪费时间）。
是R² score，所以实际上不是2%，而是0.02； R² 上限为 1，但可以为负数。回归的准确性没有明确定义。（您可以将其定义为分类，但这没有任何意义。）

【讨论】：