擅长:python、mysql、java
<p>所有有监督的学习方法(包括logistic回归)都需要真实的<code>y</code>值来拟合模型。</p>
<p>拟合模型后,我们通常希望:</p>
<ul>
<li>做出预测,然后</li>
<li>为这些预测打分(通常是在“坚持”的数据上,比如通过交叉验证)</li>
</ul>
<p><code>cross_val_score</code>为您提供模型预测的交叉验证分数。但要对预测进行评分,首先需要进行预测,然后进行预测,首先需要符合模型,这需要<code>X</code>和(true)<code>y</code>。</p>
<p><code>cross_val_score</code>正如您所注意到的,接受不同的评分标准。因此,如果选择<code>f1-score</code>,那么在<code>cross-val-score</code>期间生成的模型预测将是类预测(来自模型的<code>predict()</code>方法)。如果选择<code>roc_auc</code>作为度量标准,则用于对模型进行评分的模型预测将是概率预测(来自模型的<code>predict_proba()</code>方法)。</p>