cross_val_score(model_name, x_samples, y_labels， cv=k)

作用：驗證某個模型在某個訓練集上的穩定性，輸出k個預測精度。

K折交叉驗證（k-fold）

把初始訓練樣本分成k份，其中（k-1）份被用作訓練集，剩下一份被用作評估集，這樣一共可以對分類器做k次訓練，並且得到k個訓練結果。

1 from sklearn.model_selection import cross_val_score
2 clf = sklearn.linear_model.LogisticRegression()
3 # X:features  y:targets  cv:k
 

4 cross_val_score(clf, X, y, cv=5)

模型的訓練、預測和評價

 1 def svm_model():
 2     from sklearn.metrics import accuracy_score
 3     from sklearn.metrics import precision_score, recall_score, f1_score
 4     from sklearn.svm import SVC
 5     # 模型訓練
 6     clf = SVC(kernel='linear')
 7     clf.fit(x_train_samples, y_train_labels)
 
 8     # 模型儲存
 9     joblib.dump(clf, './model/svm_mode.pkl')
10     # 模型評估
11     predict_labels = clf.predict(x_test_samples)
12     Accuracy = accuracy_score(y_test_labels, predict_labels)
13     Precision = precision_score(y_test_labels, predict_labels, pos_label=0)
14     Recall = recall_score(y_test_labels, predict_labels, pos_label=0)
 
15     F1_scores = f1_score(y_test_labels, predict_labels, pos_label=0)

整個過程結束。需要說明的是呼叫K折交叉驗證，結果輸出的是準確率，其它的指標不會輸出。所以，建議還是前期，使用train_test_split()函式劃分訓練集和驗證集，後期根據實際需求評估模型