多分类k折交叉验证代码

以下是一个示例的多分类k折交叉验证的代码：

from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import accuracy_score
from sklearn.svm import SVC

# 假设有X和y作为特征和标签数据
X = ...
y = ...

# 初始化k折交叉验证器
kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

# 初始化模型
model = SVC()

# 初始化存储交叉验证结果的列表
results = []

# 执行k折交叉验证
for train_index, test_index in kfold.split(X, y):
    # 将数据拆分为训练集和测试集
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]

    # 训练模型
    model.fit(X_train, y_train)

    # 预测测试集
    y_pred = model.predict(X_test)

    # 计算准确率并将结果存储到列表中
    accuracy = accuracy_score(y_test, y_pred)
    results.append(accuracy)

# 打印每次交叉验证的准确率结果
for i, accuracy in enumerate(results):
    print(f"Fold {i+1} accuracy: {accuracy}")

# 打印平均准确率
print(f"Average accuracy: {sum(results)/len(results)}")

在上述示例中，我们使用了scikit-learn库中的StratifiedKFold类来进行k折交叉验证。我们选择了SVC作为分类器，并使用accuracy_score作为评估指标来计算每次交叉验证的准确率。最后，我们打印了每次交叉验证的准确率结果和平均准确率。请根据你的数据和模型进行适当的修改。