根据scikit-learn的DOC
sklearn.model_selection.cross_val_score（estimator，X，y = None，groups = None，scoring = None，cv = None，n_jobs = 1，verbose = 0，fit_params = None，pre_dispatch ='2 * n_jobs'）
X和y
X：array-like要适合的数据 . 例如，可以是列表或数组 . y：array-like，optional，default：None在监督学习的情况下尝试预测的目标变量 .
我想知道[X，y]是X_train和y_train还是[X，y]应该是整个数据集 . 在一些来自kaggle的笔记本中，有些人使用整个数据集，还有一些人使用X_train和y_train .
据我所知，交叉验证只是评估模型并显示您是否过度匹配/不适合您的数据（它实际上并不训练模型） . 然后，在我看来，你拥有的数据越多，性能就越好，所以我会使用整个数据集 .
你怎么看？
1 回答
模型
performance取决于数据分割的方式，有时模型没有概括的能力 .这就是我们需要交叉验证的原因 .
Cross-validation是评估模型的关键步骤 . 它最大化了用于训练模型的数据量，因为在训练过程中，模型不仅受过训练，而且还对所有可用数据进行了测试 .[X, y]应该是整个数据集，因为内部交叉验证将数据拆分为training数据和test数据 .假设您使用5次交叉验证（cv = 5） .
我们首先将数据集拆分为五组或折叠 . 然后我们将第一个折叠作为测试集，在剩余的四个折叠上拟合模型，在测试集上预测并计算感兴趣的度量 .
接下来，我们将第二个折叠作为输出测试集，适合剩余数据，在测试集上预测并计算感兴趣的度量 .
默认情况下，scikit-learn的
cross_val_score()函数使用R^2得分作为回归选择的度量标准 .R^2得分称为coefficient of determination.