对x_train, x_test, y_train, y_test=train_test_split(X, Y, test_size=0.3, random_state=1) 进行交叉验证

交叉验证是一种评估模型性能的方法，它将数据集分成训练集和测试集，并多次重复训练和测试模型。在这种情况下，你已经使用了 train_test_split 函数将数据集 X 和 Y 划分为训练集和测试集，比例为 0.7:0.3。

如果你想使用交叉验证来评估模型性能，你可以使用 sklearn 中的 cross_val_score 函数。以下是使用交叉验证评估模型性能的示例代码：

from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()

# 创建 KFold 交叉验证对象
kfold = KFold(n_splits=10, random_state=1, shuffle=True)

# 使用交叉验证评估模型性能
results = cross_val_score(model, X, Y, cv=kfold)

# 打印每次交叉验证的结果
print(results)

# 打印平均结果
print("Mean Accuracy:", results.mean())

在上面的示例中，我们将数据集 X 和 Y 传递给 cross_val_score 函数，同时指定了使用的模型（线性回归模型）和交叉验证对象（KFold）。结果是每次交叉验证的得分数组以及平均得分。你可以根据你的具体问题和模型选择适当的交叉验证对象和评估指标。