交叉验证的scoring

交叉验证是一种评估机器学习模型性能的技术，它将数据集划分为若干份子集，通常称为折（Folds）。其中一份用于测试，其余部分用于训练。这个过程会在所有可能的子集组合上重复，最终汇总每个折的结果，得到更稳健的模型性能估计。

Scoring在交叉验证中指的是如何衡量模型的表现。这涉及到选择合适的度量标准，例如精度、召回率、F1分数、AUC-ROC值等，取决于你所关注的问题和任务类型。在sklearn库中，可以使用`cross_val_score`函数，提供多种内置的评分函数如`accuracy_score`、`roc_auc_score`等，用户也可以自定义scoring函数。

举个例子，在分类任务中，你可以设置`scoring='accuracy'`来优化模型以提高准确率，而在二元分类任务中，你可能会选择`scoring='roc_auc'`以最大化AUC值。