在机器学习中，使用data_train, data_test, target_train, target_test = train_test_split(comments, target, test_size=0.2, train_size=0.8)划分出训练集和测试集，用列表res1存储了模型预测的结果，如何计算出该模型的交叉验证准确率？

使用train_test_split函数将数据集划分为训练集和测试集只能用来评估模型在特定数据集上的性能，而不能用来评估模型的泛化能力。如果想要评估模型的泛化能力，需要使用交叉验证方法，如k-fold交叉验证。

对于已经得到的模型预测结果res1，可以使用交叉验证方法计算模型的准确率，步骤如下：

1. 将原始数据集comments和target分为k个互不重叠的子集。

2. 对于每个子集i，在剩余的k-1个子集上进行模型训练，得到模型Mi。

3. 使用模型Mi对子集i进行预测，得到预测结果res2。

4. 计算预测结果res1和res2之间的准确率，作为该模型在第i个测试集上的准确率。

5. 重复步骤2-步骤4，直到每个子集都被用作测试集。

6. 计算k个测试准确率的平均值，作为该模型的交叉验证准确率。

具体实现可以使用sklearn库中的cross_val_score函数，代码如下：

from sklearn.model_selection import cross_val_score
from sklearn.metrics import accuracy_score

# 假设模型为model，数据集为comments和target
scores = cross_val_score(model, comments, target, cv=10) # 10-fold交叉验证
print("交叉验证准确率： %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))

其中，cv参数指定了k-fold交叉验证中的k值，可以根据实际情况进行设置。交叉验证准确率为scores.mean()，scores.std() * 2表示标准差的两倍，用于评估模型的稳定性。