10×10交叉验证 sklearn 代码

交叉验证是一种用来评估机器学习模型性能的方法，其中10×10交叉验证指的是将数据集分成10个子集，每次使用9个子集作为训练集，剩余的1个子集作为测试集，重复这个过程10次，每次都选择不同的训练集和测试集，最后将每次的评估结果求平均得到模型的性能评估值。

在sklearn库中，可以使用cross_val_score函数来实现10×10交叉验证。下面是一个示例代码：

from sklearn.model_selection import cross_val_score
from sklearn import datasets
from sklearn import svm

# 加载数据集
iris = datasets.load_iris()

# 创建支持向量机模型
clf = svm.SVC(kernel='linear', C=1)

# 使用10×10交叉验证评估模型性能
scores = cross_val_score(clf, iris.data, iris.target, cv=10)

# 输出每次交叉验证的评估结果
print("每次交叉验证的评估结果：")
for i, score in enumerate(scores):
    print(f"第{i+1}次交叉验证得分：{score:.2f}")

# 输出平均评估结果
print(f"\n平均得分：{scores.mean():.2f}")

在上述代码中，首先通过`from sklearn.model_selection import cross_val_score`导入cross_val_score函数，然后使用`datasets.load_iris()`加载了一个经典的鸢尾花数据集作为示例数据。接着创建了一个支持向量机模型`svm.SVC(kernel='linear', C=1)`。

然后调用`cross_val_score(clf, iris.data, iris.target, cv=10)`进行10×10交叉验证，其中`clf`是我们创建的模型，`iris.data`是数据集特征数据，`iris.target`是数据集的目标标签，`cv=10`表示要进行10次交叉验证。

最后，通过遍历得到的`scores`数组，可以按顺序输出每次交叉验证得到的评估结果，并利用`scores.mean()`求得平均得分。