机器学习进阶文档深度页
cross_validate 与 scoring
cross_validate 可同时返回多指标、训练分数和耗时；scoring 必须匹配任务与错误成本。
学习前需要掌握
评价指标内容待补充
背景与问题
sklearn 对误差类 scoring 取负以统一越大越好；不同指标数值不可直接大小比较。
概念定义
cross_val_score 适合单指标，cross_validate 支持字典指标、return_train_score、fit_time 和 estimator。
直观理解
一场实验同时记录正确率、关键错误、稳定性和成本，而不是只留一项分数。
核心原理
预先指定主指标；附加指标用于诊断。return_estimator 会占内存，仅需要分析每折模型时开启。
数学表达
核心表达
预先指定主指标；附加指标用于诊断。return_estimator 会占内存，仅需要分析每折模型时开启。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1定义主/次指标
- 2cross_validate
- 3转换负误差
- 4查看训练验证差距
代码对应位置
示例 1cross_validate 与 scoring 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
定义主/次指标
- 2
cross_validate
- 3
转换负误差
- 4
查看训练验证差距
- 5
报告耗时和波动
代码实现
示例 1
cross_validate 与 scoring 示例
cross_validate 与 scoring 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
r=cross_validate(model,X,y,cv=5,scoring={"acc":"accuracy","f1":"f1_macro"},return_train_score=True,n_jobs=-1)
print(r["test_acc"],r["test_f1"],r["fit_time"])代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
X- 完整特征矩阵，每行一个样本、每列一个特征。
y- 目标标签或连续目标值。
model- 组合预处理和估计器的模型对象。
Step 1 · 1–2 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
r=cross_validate(model,X,y,cv=5,scoring={"acc":"accuracy","f1":"f1_macro"},return_train_score=True,n_jobs=-1)
print(r["test_acc"],r["test_f1"],r["fit_time"])预期输出或运行结果
每折 accuracy、macro F1 和训练耗时。
常见错误 · 3 条
- 负误差未还原
- 指标数值直接互比
- 事后挑主指标
实际应用
- 多指标实验
- 模型成本比较
常见错误
负误差未还原
指标数值直接互比
事后挑主指标
文档来源
13｜交叉验证：可靠评估与模型选择原始文档
学习资料/learning_tech/13_cross_validation.md- §10 cross_val_score 与 cross_validate
- §11 如何选择 scoring
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。