模型的交叉验证

模型的评估会受其训练集和测试集的影响，从而导致模型的学习能力会有差别。

模型的交叉验证原理：是将数据集划分为n等份，将其中的n-1份数据做为训练集，将剩下的一份作为测试集。每个部分都将会作为测试或与其它部分数据组合作为训练集。

模型的交叉验证可以很大程度避免有数据集划分所造成的误差。

下面示例回归树的交叉验证，以波士顿房价数据为例。

导入机器学习的相关模块及数据集。

实例化数据集。

实例化回归树模型。

调用交叉验证方法，并传入相应参数。

其中cv参数为将数据集划分为多少份。

scoring参数是设置分支质量指标。

在回归树中，MSE不只是分枝质量衡量指标，也是我们最常用的衡 量回归树回归质量的指标，当在使用交叉验证，或者其他方式获取回归树的结果时，我们往往选择均方误差作 为我们的评估。

在回归树中追求的是，MSE越小越好。 然而回归树的接口score返回的是R平方，并不是MSE。

虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算”负均方误 差“（neg_mean_squared_error）。

注意：真正的均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。

验证结果如图示。