cv.split(X, y)换成cross_val_score方法

`cross_val_score`方法可以用来进行交叉验证，它的使用方法如下：

from sklearn.model_selection import cross_val_score

scores = cross_val_score(estimator, X, y, cv=k)

其中 `estimator` 是指机器学习模型，`X` 是特征数据，`y` 是标签数据，`cv` 是交叉验证的折数。这个方法会将数据集分成 `cv` 折，每次将其中一折作为测试集，其余的折作为训练集，然后计算模型在这个测试集上的得分。最后返回的是 `scores`，它是一个数组，每个元素是一次交叉验证的得分。

如果你想手动控制交叉验证的过程，可以使用 `KFold` 或 `StratifiedKFold` 等交叉验证方法。例如，下面的代码使用 `StratifiedKFold` 进行交叉验证，其中 `n_splits` 是折数：

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=5)

for train_index, test_index in skf.split(X, y):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    # 定义模型并进行训练和测试

在这个例子中，`skf.split(X, y)` 返回的是一个生成器，它每次生成一个训练集和一个测试集的索引。然后我们可以用这些索引从原始数据中取出对应的训练集和测试集，进行模型的训练和测试。