问题描述
我正在使用LogisticRegressionCV的.score()方法来为我的模型得出准确度得分。
我还使用cross_val_score和相同的简历分组（skf）得出了准确度分数，希望显示同样的分数。
但是可惜，它们是不同的，我很困惑。
我首先进行了StratifiedKFold：
skf = StratifiedKFold(n_splits = 5,shuffle = True,random_state = 708)
此后，我以skf作为CV参数的参数实例化了LogisticRegressionCV（），进行拟合并在训练集上评分。
logreg = LogisticRegressionCV(cv=skf,solver='liblinear')
logreg.fit(X_train_sc,y_train)
logreg.score(X_train_sc,y_train)
这给了我0.849507735583685，这是默认情况下的准确性。由于这是LogisticRegressionCV，因此该分数实际上是平均准确度分数吧？
然后我使用了cross_val_score：
cross_val_score(logreg,X_train_sc,y_train,cv=skf).mean()
这给了我平均准确度得分0.8227814439082044。
我对分数为什么不同感到困惑，因为我以为我基本上是在做同一件事。
解决方法
[{
.score]实际上是平均准确性得分，对吗？
不。这里的score方法是最终分类器的准确性得分（使用正则化强度的最佳值在整个训练集上对其进行了训练）。通过再次在训练集上对其进行评估，您可以获得对未来绩效的乐观估计。
要恢复交叉验证分数，可以使用属性scores_。即使褶皱相同，如果它们不能完全收敛，由于解算器中的随机性，这些 可能与cross_val_score略有不同。