用cross_val_score计算的度量与从cross_val_predict开始计算的相同度量有何不同（用于获取要提供给度量函数的预测）？
这是一个例子：
from sklearn import cross_validation
from sklearn import datasets
from sklearn import metrics
from sklearn.naive_bayes import GaussianNB
iris = datasets.load_iris()
gnb_clf = GaussianNB()
# compute mean accuracy with cross_val_predict
predicted = cross_validation.cross_val_predict(gnb_clf, iris.data, iris.target, cv=5)
accuracy_cvp = metrics.accuracy_score(iris.target, predicted)
# compute mean accuracy with cross_val_score
score_cvs = cross_validation.cross_val_score(gnb_clf, iris.data, iris.target, cv=5)
accuracy_cvs = score_cvs.mean()
print('Accuracy cvp: %0.8f\nAccuracy cvs: %0.8f' % (accuracy_cvp, accuracy_cvs))
在这种情况下，我们获得相同的结果：
Accuracy cvp: 0.95333333
Accuracy cvs: 0.95333333
但是，似乎并非总是这样，因为它是on the official documentation编写的（关于使用cross_val_predict计算的结果）：
请注意，此计算的结果可能会略有不同
从使用cross_val_score作为元素分组获得的那些
以不同的方式。
最佳答案
想象以下标签和拆分
[010 | 101 | 10]
因此，您有8个数据点，每个类4个，将其拆分为3折，导致3个元素折合为2折，1个为2折。
[010 | 100 | 00]
因此，您的得分为[100％，67％，50％]，而跨值得分（平均）约为72％。现在，关于预测的准确性如何？您显然有6/8件事正确，因此75％。如您所见，分数是不同的，即使它们都依赖于交叉验证。在这里，由于分割的大小不完全相同而产生差异，因此最后一个“ 50％”实际上降低了总分，因为它是仅2个样本的平均值，其余均基于3个样本。
通常，可能还会存在其他类似现象-它应该归结为求平均值的方式。因此，-交叉价值得分是平均值的平均值，而不必是交叉验证预测的平均值。