是否可以通过某种方法从cross_val_score中获取分类报告？我正在使用嵌套交叉验证，并且可以在这里获得模型的各种分数，但我希望看到外层循环的分类报告。有何建议？
# 选择内外循环的交叉验证技术，独立于数据集。
# 例如 "LabelKFold", "LeaveOneOut", "LeaveOneLabelOut" 等。
inner_cv = KFold(n_splits=4, shuffle=True, random_state=i)
outer_cv = KFold(n_splits=4, shuffle=True, random_state=i)
# 非嵌套参数搜索和评分
clf = GridSearchCV(estimator=svr, param_grid=p_grid, cv=inner_cv)
# 带参数优化的嵌套交叉验证
nested_score = cross_val_score(clf, X=X_iris, y=y_iris, cv=outer_cv)我想在这里看到分类报告和分数值。http://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html
回答：
我们可以定义自己的评分函数如下：
from sklearn.metrics import classification_report, accuracy_score, make_scorer
def classification_report_with_accuracy_score(y_true, y_pred):
print classification_report(y_true, y_pred) # 打印分类报告
return accuracy_score(y_true, y_pred) # 返回准确率分数现在，只需使用make_scorer调用cross_val_score，并使用我们的新评分函数：
# 带参数优化的嵌套交叉验证
nested_score = cross_val_score(clf, X=X_iris, y=y_iris, cv=outer_cv, \
scoring=make_scorer(classification_report_with_accuracy_score))
print nested_score 它将同时打印分类报告的文本，并以数字形式返回nested_score。
当使用这个新评分函数运行http://scikit-learn.org/stable/auto_examples/model_selection/plot_nested_cross_validation_iris.html示例时，输出的最后几行将如下所示：
# precision recall f1-score support #
#0 1.00 1.00 1.00 14
#1 1.00 1.00 1.00 14
#2 1.00 1.00 1.00 9
#avg / total 1.00 1.00 1.00 37
#[ 0.94736842 1. 0.97297297 1. ]
#平均差异为0.007742，标准偏差为0.007688。