sklearn中score函数的用法

在sklearn中，score函数可以用于评估模型的预测效果。它可以计算模型在测试集上的精度、准确率、召回率等指标。

具体用法取决于你使用的模型，不同的模型score函数的参数和返回值可能会有所不同。一般来说，score函数的参数是测试集数据和对应的标签，返回值是模型在测试集上的评分，评分越高表示模型的预测效果越好。

例如，在使用支持向量机（SVM）进行分类时，可以使用SVC模型的score函数计算模型的分类准确率，示例代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建SVM模型
svm = SVC(kernel='linear', C=1.0, random_state=0)

# 在训练集上训练模型
svm.fit(X_train, y_train)

# 在测试集上评估模型准确率
accuracy = svm.score(X_test, y_test)
print("Accuracy:", accuracy)

上述代码中，我们首先加载了鸢尾花数据集，然后将数据集划分为训练集和测试集。接着创建了一个SVM模型，并在训练集上训练了模型。最后使用模型的score函数计算模型在测试集上的准确率，并将结果打印出来。