python - .fit() 和 .cross_validate() 之间的区别 - python

Question

我有四个数字列的数据框，它们是X1, X2, X3, Y. 我把它分成 80% 的训练和 20% 的测试。整个数据框中没有nan，现在我需要创建模型并对其进行评估（我基于这个kaggle kernel构建了这个）：

from sklearn.ensemble import RandomForestRegressor
predictor_cols = ["X1","X2","X3"]
train_X = train[predictor_cols]
my_model = RandomForestRegressor()
my_model.fit(train_X, train_Y)

test_X = test[predictor_cols]
test_Y = test["Y"]  # the dependent variable is numeric
pred_test_Y = my_model.predict(test_X)

acc_rf = round(my_model.score(train_X, train_Y) * 100, 2)
acc_rf

我正在苦苦挣扎，my_model.fit()因为我找不到有关它的文档，但我知道它使用RandomForestRegressor(). 但是，我有几个问题：

1）如何my_model.fit()训练模型？它是否使用交叉验证来提高性能？如果它使用哪种评分方法来评估交叉验证？

1.2）如果my_model.fit()不使用交叉验证，它是如何训练模型的？

1.3) 如果my_model.fit()不使用交叉验证，我如何使用 RandomForestRegressor() 技术与交叉验证能够选择评分方法？

2）假设下面的行评估预测，但它没有（因为预测在变量pred_test_Y中，我用这行代码得到了 98% 的准确度（它的准确度？）。我的意思是，什么这条线？

acc_rf = round(my_model.score(train_X, train_Y) * 100, 2)

标签： pythonscikit-learncross-validationscoring