python k折交叉验证_机器学习之K折交叉验证

K折交叉验证是机器学习中常用的一种交叉验证方法，它可以有效地评估模型的泛化能力。在K折交叉验证中，数据集被分成K个大小相似的互斥子集，每次使用其中的K-1个子集作为训练集，剩下的一个子集作为测试集，重复进行K次，每次选取不同的测试集，并且将K次的测试结果平均。

Python中的sklearn库提供了K折交叉验证的API，可以方便地进行实现。以下是一个简单的示例代码：

from sklearn.model_selection import KFold
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

iris = load_iris()
X, y = iris.data, iris.target

kf = KFold(n_splits=5, shuffle=True, random_state=42)

for train_index, test_index in kf.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    
    model = LogisticRegression()
    model.fit(X_train, y_train)
    score = model.score(X_test, y_test)
    print("Accuracy:", score)

在这个示例代码中，我们使用了鸢尾花数据集（iris），将数据集分成5份，每一份都轮流作为测试集进行训练和预测，最终输出每次的准确率。

需要注意的是，在K折交叉验证中，数据集的分割方式可能会影响到最终的评估结果，因此我们可以通过设置随机种子（random_state）来控制数据集的分割方式，以保证评估结果的稳定性。