简介
在机器学习中，交叉验证是一种用于在独立数据集上评估模型性能的技术。它通过更好地估计模型对新的、未见过的数据的泛化能力，有助于防止过拟合。
在本实验中，我们将探讨交叉验证的概念，以及如何使用 Python 中的 scikit-learn 库来实现它。
虚拟机使用提示
虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。
导入必要的库
首先，让我们导入本实验所需的库。
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import datasets
from sklearn import svm
加载数据集
接下来，让我们加载一个数据集来训练我们的模型。在这个例子中，我们将使用鸢尾花数据集，它是用于分类任务的一个流行数据集。
X, y = datasets.load_iris(return_X_y=True)
将数据集拆分为训练集和测试集
为了评估我们模型的性能，我们需要将数据集拆分为训练集和测试集。我们将使用 scikit-learn 库中的train_test_split函数来完成此操作。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=0)
训练并评估模型
现在，让我们在训练集上训练一个支持向量机（SVM）分类器，并在测试集上评估其性能。
clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
score = clf.score(X_test, y_test)
print("Accuracy: ", score)
总结
在本实验中，我们学习了如何使用 Python 中的 scikit-learn 库来实现交叉验证。我们将数据集拆分为训练集和测试集，在训练集上训练模型，并在测试集上评估其性能。交叉验证有助于防止过拟合，并能更好地估计模型对新的、未见过的数据的泛化能力。