我有一个包含158行和10列的数据集。我尝试构建一个多元线性回归模型，并试图预测未来的值。

我使用了GridSearchCV来调整参数。

这是我的GridSearchCV和回归函数：

def GridSearch(data):    X_train, X_test, y_train, y_test = cross_validation.train_test_split(data, ground_truth_data, test_size=0.3, random_state = 0)        parameters = {'fit_intercept':[True,False], 'normalize':[True,False], 'copy_X':[True, False]}        model = linear_model.LinearRegression()        grid = GridSearchCV(model,parameters)        grid.fit(X_train, y_train)    predictions = grid.predict(X_test)        print "Grid best score: ", grid.best_score_    print "Grid score function: ", grid.score(X_test,y_test)

这段代码的输出是：

Grid best score: 0.720298870251

Grid score function: 0.888263112299

我的问题是best_score_和score函数有什么区别？

score函数怎么可能比best_score函数更好？

提前感谢。

回答：

best_score_是交叉验证中的最佳分数。也就是说，模型在训练数据的部分上进行拟合，分数是通过预测剩余的训练数据计算得出的。这是因为你将X_train和y_train传递给了fit；因此，fit过程对你的测试集一无所知，只知道你的训练集。

模型对象的score方法会对你提供的数据进行评分。你传递了X_test和y_test，所以这个调用计算的是在测试集上拟合（即调整后的）模型的分数。

简而言之，这两个分数是在不同的数据集上计算的，所以它们不同并不 surprising。