cross_val_score用于回归指标

是的，cross_val_score函数可以用于回归任务。在回归任务中，我们通常使用回归指标来评估模型的性能，包括均方误差（mean squared error）、均方根误差（root mean squared error）、平均绝对误差（mean absolute error）等。在使用cross_val_score函数时，我们可以通过指定scoring参数来选择不同的回归指标进行评估。例如，如果我们想使用均方误差作为评估指标，则可以将scoring参数设置为'mean_squared_error'。下面是一个使用cross_val_score函数进行回归任务的示例代码：

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression

# 加载波士顿房价数据集
boston = load_boston()

# 构建线性回归模型
lr = LinearRegression()

# 使用cross_val_score函数进行交叉验证
scores = cross_val_score(lr, boston.data, boston.target, cv=5, scoring='neg_mean_squared_error')

# 输出均方误差的平均值和标准差
print('MSE:', -scores.mean())
print('MSE std:', scores.std())

在上述代码中，我们使用波士顿房价数据集构建了一个线性回归模型，并使用cross_val_score函数进行了5折交叉验证。评估指标为均方误差，输出了均方误差的平均值和标准差。